將單細(xì)胞分析置于環(huán)境中的分析框架：空間多組學(xué)方法

空間多組學(xué)是單細(xì)胞組學(xué)、空間轉(zhuǎn)錄組學(xué)和空間表型之間的橋梁。整合這些技術(shù)的發(fā)現(xiàn)提供了對組織微環(huán)境分析的創(chuàng)新生物學(xué)觀點(diǎn)，使研究人員能夠?qū)⑺麄兊霓D(zhuǎn)錄組發(fā)現(xiàn)和設(shè)想轉(zhuǎn)化為整個(gè)組織，并觀察它們在天然狀態(tài)細(xì)胞之間的相互作用。這是將RNA 及蛋白與細(xì)胞組織和行為聯(lián)系起來的關(guān)鍵步驟。

在《將單細(xì)胞分析置于環(huán)境中：空間多組學(xué)方法》白皮書中介紹了空間表型分析的優(yōu)勢，空間多組學(xué)分析的意義，整合scRNA-SEQ和空間表型數(shù)據(jù)的分析框架及整合CITE-SEQ 和空間表型數(shù)據(jù)的分析框架。

從質(zhì)譜流式CyTOF到CITE-seq 分析，單細(xì)胞多組學(xué)方法在持續(xù)的改變對生物學(xué)的研究，對組織細(xì)胞異質(zhì)性分析提供了新的解讀視角。

盡管這些技術(shù)在自動化單細(xì)胞分析中發(fā)揮了重要作用，但對于研究人員而言分析數(shù)據(jù)與組織細(xì)胞表型之間仍然存在差距。細(xì)胞行為、狀態(tài)和命運(yùn)受到空間位置、周圍成分等的極大影響。人們進(jìn)一步探究發(fā)現(xiàn)，細(xì)胞命運(yùn)和行為是細(xì)胞生物核心要素（比如DNA、RNA 和蛋白質(zhì)）和周圍微環(huán)境的總和。因此要真正了解細(xì)胞功能，就需要在其要素和鄰域的生物環(huán)境下對細(xì)胞進(jìn)行研究。

為了解開細(xì)胞的復(fù)雜性，科學(xué)家們并沒有將自己局限于單一分析模式，這就是空間多組學(xué)分析的優(yōu)勢所在�？臻g多組學(xué)是單細(xì)胞組學(xué)、空間轉(zhuǎn)錄組學(xué)和空間表型之間的橋梁。整合這些技術(shù)的發(fā)現(xiàn)提供了對組織微環(huán)境分析的創(chuàng)新生物學(xué)觀點(diǎn)，使研究人員能夠?qū)⑺麄兊霓D(zhuǎn)錄組發(fā)現(xiàn)和設(shè)想轉(zhuǎn)化為整個(gè)組織，并觀察它們在天然狀態(tài)細(xì)胞之間的相互作用。這是將RNA 及蛋白與細(xì)胞組織和行為聯(lián)系起來的關(guān)鍵步驟。

空間表型分析的優(yōu)勢：探索組織微環(huán)境中的細(xì)胞表型與空間鄰域

空間表型分析使用抗體組合在組織樣本的環(huán)境中通過功能和狀態(tài)來表征細(xì)胞。由此產(chǎn)生的細(xì)胞生態(tài)系統(tǒng)對細(xì)胞注釋圖揭示了定位、密度、組織和空間鄰近度或“細(xì)胞鄰域”的模式——揭示對發(fā)育、分化和反應(yīng)洞察的空間表型。在腫瘤免疫研究中這些空間表型已被證明可以高度預(yù)測疾病治療結(jié)果和對免疫治療的反應(yīng)。

空間多組學(xué)：重新定義我們對生物學(xué)的理解

空間多組學(xué)整合來自各種模式的信息，將分子表達(dá)水平與細(xì)胞表型聯(lián)系起來。這使人們能夠超越轉(zhuǎn)錄組和蛋白數(shù)據(jù)，真正了解細(xì)胞間信號傳導(dǎo)網(wǎng)絡(luò)、細(xì)胞激活狀態(tài)及其背后的原因等。

Wang等人利用空間多組學(xué)方法，使用兩種互補(bǔ)方法研究組織再生和衰老：通過CODEX 和CITE-seq 進(jìn)行空間表型分析。結(jié)合從CODEX 和CITE-seq 獲得的數(shù)據(jù)，使用空間生物學(xué)分析技術(shù)，作者將RNA 表達(dá)數(shù)據(jù)映射回組織樣本中的單個(gè)細(xì)胞。

使用這種方法，他們能夠識別細(xì)胞間信號網(wǎng)絡(luò)并確定細(xì)胞之間的通信是否在空間上受到限制。這表明并非所有具有互補(bǔ)配體和受體的細(xì)胞都在組織微環(huán)境中發(fā)揮交流功能，作者指出“由于生物學(xué)空間限制，這些細(xì)胞可能永遠(yuǎn)不能接觸到彼此”。

Peng等人提出了一種將單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)與基于CODEX的全組織細(xì)胞圖譜進(jìn)行結(jié)合的新方法，他們稱之為GLUER (single-cell Resolution mUlti-omics integrated anaLysis)。GLUER將兩種分析方法獲得的數(shù)據(jù)通過聯(lián)合非負(fù)矩陣分解、相互最近鄰算法和深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行整合。

為了演示這一點(diǎn)，他們對使用scRNA-seq 的7097 個(gè)小鼠脾臟細(xì)胞和使用30個(gè)抗體多重成像面板分析的9186 個(gè)小鼠脾臟細(xì)胞數(shù)據(jù)進(jìn)行了排列分析。使用Seurat和LIGER算法創(chuàng)建的UMAP 細(xì)胞簇圖顯示出象征性的一致性，細(xì)胞類型之間的界限不明顯。當(dāng)使用GLUER 方法評估這些相同的數(shù)據(jù)時(shí)，細(xì)胞類型的排列和聚類變得更加緊密，圖中顯示出區(qū)分不同細(xì)胞類型的能力得到了提高。由于使用CODEX 系統(tǒng)捕獲的所有細(xì)胞都被標(biāo)記為x-y 坐標(biāo)，這些發(fā)現(xiàn)可以追蹤到組織樣本的特定區(qū)域，從而可以對轉(zhuǎn)錄組數(shù)據(jù)、細(xì)胞結(jié)構(gòu)和功能之間的聯(lián)系進(jìn)行新的理解。

STvEA：整合CITE-SEQ 和空間表型數(shù)據(jù)的分析框架

Govek等人開發(fā)了STvEA方法(Spatially resolved transcriptomics via epitope anchoring)，利用CITE-seq 生成的RNA 測序數(shù)據(jù)豐富CODEX 全組織、單細(xì)胞分析的輸出信息。該分析框架不僅允許作者通過類型和狀態(tài)注釋細(xì)胞，而且還可以識別空間基因表達(dá)和研究細(xì)胞群體之間的相互作用。

STvEA通過基于共享抗體面板的CODEX 和CITE-seq 數(shù)據(jù)集，計(jì)算合并相應(yīng)多重圖像的蛋白表達(dá)位置信息。然后確定CITE-seq mRNA 表達(dá)數(shù)據(jù)的最佳聚類，從而將不同的mRNA 序列以單細(xì)胞分辨率映射到CODEX圖像中。

在一項(xiàng)對小鼠脾細(xì)胞的分析中，Govek等人展示了這種方法如何能夠細(xì)化細(xì)胞聚類模式，它使不同的、基于細(xì)胞簇內(nèi)基因表達(dá)的細(xì)微梯度的可識別細(xì)胞群數(shù)量幾乎翻倍，并突出這些表位水平的變化作為區(qū)分具有相似蛋白表達(dá)水平細(xì)胞的一種方法。

GLUER 和STvEA是研究人員如何將基因表達(dá)數(shù)據(jù)錨定到多重成像中，以研究完整組織中的細(xì)胞行為和功能的幾個(gè)例子。這個(gè)過程揭示了大多數(shù)研究人員已經(jīng)知道的東西，即測序的東西并不總是最終表達(dá)的東西；RNA只在影響蛋白合成上起作用，而蛋白的表達(dá)決定了表型。將空間表型和單細(xì)胞組學(xué)結(jié)合起來，提供了從基因組到轉(zhuǎn)錄組到蛋白組，最終到活組織的生物學(xué)研究的線索。

空間多組學(xué)使這種聯(lián)系成為可能，使研究人員能夠?qū)⑺麄冊谵D(zhuǎn)錄組學(xué)上發(fā)現(xiàn)和假設(shè)翻譯到整個(gè)組織，并觀察它們在細(xì)胞的自然狀態(tài)下相互作用中的功能。通過鏈接下載完整《將單細(xì)胞分析置于環(huán)境中：空間多組學(xué)方法》白皮書。

可同時(shí)了解《空間表型特征：表征實(shí)體腫瘤和預(yù)測免疫治療反應(yīng)的新型標(biāo)志物》白皮書。

掃碼下載完整白皮書

 [參考信息]

1. Method of theYear 2020: spatially resolved transcriptomics. Nat Methods.2021;18(1). https://doi.org/10.1038/s41592-020-01042-x
2. Schürch CM, etal. Coordinated cellular neighborhoods orchestrate antitumoral immunity at the colorectal cancer invasive front. Cell. 2020; 182(5):1341-1359.e19.
3. Wang W, etal. Elucidating multiomics changes in skeletal muscle aging. Stanford University. Webinar. https://www.akoyabio.com/webinar/spatial-multiomics-webinar-series/ 
4. Peng T, et al. GLUER: integrative analysis of single-cell  omics and imaging data by deep neural network. bioRxiv. 2021; 1(25): 427845.
5. Stuart T, et al. Comprehensive integration of single-cell data. Cell. 2019; 177(7): 1888-1902.e21.
6. Welch JD, etal. Single-cellmulti-omic integration compares and contrasts features of brain cell identity. Cell. 2019; 177(7): 1873-1887.e17.
7. Govek KW, et al.  Single-cell  transcriptomic analysis of mIHC images via antigen mapping. Sci Adv. 2021; 7(10): eabc5464.