目前空间转录组拟时序分析工具主要有：

  • stLearn

  • SPATA

  • 其他应用于单细胞发育轨迹分析的算法（monocle3，RNA velocity等）

本期主要介绍stLearn[1]。

单细胞的发育轨迹算法

先回顾一下应用于单细胞的发育轨迹算法。
常用的方法有以下几种：
空转算法（二）：空间拟时序分析 - 图1

目前已发表的发育轨迹算法很多，超过70种[2]。
空转算法（二）：空间拟时序分析 - 图2
鉴于选择困难症，R包dyno提供了友好的交互界面。用户可以根据自己的数据特征和研究目的，选择合适的拟时序方法[3]。
空转算法（二）：空间拟时序分析 - 图3

回到空间转录组。以10X visium的乳腺癌数据为例，stLearn的拟时序分析结果可以展示细胞在切片上的侵袭轨迹，从粉红色区域的导管癌细胞，到蓝色区域的侵袭性导管癌细胞。
空转算法（二）：空间拟时序分析 - 图4

stLearn拟时序算法原理

stLearn的拟时序算法主要基于DPT，结合空间坐标信息，调整spot之间的拟时序距离，最后用最小生成树，简化得到发育轨迹。具体步骤：

  • 确定起始点；
  • 计算DPT距离；
  • 结合空间位置，计算PSTD距离；
  • 构建方向树；
  • 用最小生成树算法精简分支（最小权重连接所有节点，类似第一代monocle）

空转算法（二）：空间拟时序分析 - 图5

算法细节：PSTD距离的计算。
空转算法（二）：空间拟时序分析 - 图6
可以看出，stLearn算法主要特点，是DPT距离和切片上的二维欧氏距离的结合。

缺点
结果受起始位点的选择和细胞类型注释的影响较大。

下期预告：RNA velocity，衍生的多组学velocity，以及其中的系统生物学原理。

参考链接：
[1] Pham D T, Tan X, Xu J, et al. stLearn:integrating spatial location, tissue morphology and gene expression to findcell types, cell-cell interactions and spatial trajectories within undissociatedtissues[J]. bioRxiv,2020.
[2] Saelens W, Cannoodt R, Todorov H, et al. A comparison of single-cell trajectory inference methods[J]. Nature biotechnology, 2019, 37(5): 547-554.
[3] https://github.com/dynverse/dyno