博文

spaTransfer：基于非负矩阵分解的单细胞和空间转录组学数据的迁移学习

已有 415 次阅读 2026-11-7 19:33 |个人分类:科普|系统分类:科普集锦

spaTransfer：基于非负矩阵分解的单细胞和空间转录组学数据的迁移学习

空间分辨转录组学（SRT）的出现促成了大规模 SRT 图谱的生成，这些图谱包含标记的细胞类型或空间区域。随着新的 SRT 数据集的生成，对这些数据集进行注释成为一项重要的任务。在单细胞/单核 RNA 测序（sc/snRNA-seq）数据中，人们开发了多种计算方法，用于将标签从 sc/snRNA-seq 参考图谱转移到目标 scRNA-seq或 scATAC-seq数据集。这些方法通常被称为“单细胞参考映射”或“标签转移”算法，其目标是将目标数据集中样本的组学（例如转录组）谱与参考图谱进行比对，从而将单细胞分辨率的注释转移到目标数据集。近期研究表明，单细胞参考映射算法的可解释性至关重要，尤其是在需要标记复杂细胞群（例如，响应扰动）的应用中。此外，该研究还指出，采用计算方法来分解不同的变异来源并提高参考映射算法的可解释性，将有助于应对参考映射方面的挑战。

利用单细胞转录组技术数据进行参考映射的目标之一是将参考图谱中的标签（细胞类型或空间域）转移到目标数据集。现有的单细胞参考映射算法，例如 singleR 和 scmap，依赖于细胞基因表达谱之间的相关性度量，但基于成像的 SRT 可测量的特征数量有限，而且使用不同的特征集计算目标表达谱和参考表达谱之间的相关性具有挑战性。另一个挑战是缺乏理想的分子图谱，因为快速涌现的新型 SRT 技术分辨率各不相同。目前应对这一挑战的方法包括 Cell2location或 RCTD等整合方法，这些方法需要用户提供配对的单细胞/单核RNA 测序（sc/snRNA-seq）参考样本作为输入。然而，这些方法更适合分解细胞类型比例，而不是转移细胞类型或空间域标签，因为 sc/snRNA-seq 参考样本不包含任何空间信息。另一类广泛的整合标签迁移算法，例如 Symphony，会学习参考数据集的低维表示，并使用细胞或基因锚点将目标数据集映射到相同的低维空间。然而，许多此类算法依赖于主成分分析 (PCA) 来构建低维嵌入，而 PCA 生成的主成分只能按顺序解释，不能作为独立的因子进行解释。最近开发了一些方法，可以将标签从单细胞参考图谱转移到 SRT 数据，但这些方法要么是为类似的特征集或类似的实验平台设计的，随着参考图谱跨越各种技术而发展，其影响就会降低。

为了提高与各种 SRT 技术在通量和空间分辨率方面的兼容性，以及增强其对生物学机制的解释性，Fang等人开发了一种新的计算方法spaTransfer（图1，https://github.com/cindyfang70/spaTransfer），利用非负矩阵分解（NMF）将标签（细胞类型或空间域）从参考数据集转移到目标数据集。该方法通过将观察到的基因表达分解为代表细胞类型或空间域的潜在因子，从而避免直接比较不同基因组的表达谱，为解决上述挑战提供了独特的优势。由于这些因子可以与生物学过程相关联，spaTransfer方法能够直接解释目标数据集中的注释。与现有方法相比，spaTransfer 在多个真实数据集上的性能好，并且在不损失准确性的情况下提供清晰的解释性。

图1 spaTransfer 算法概述，该算法利用非负矩阵分解进行单细胞和空间转录组学数据的迁移学习。(A) 给定一组包含多个样本和已标记细胞类型或空间域的参考（或源）图谱，spaTransfer 算法首先对源数据进行非负矩阵分解 (NMF)，(B) 识别与目标标签相关的因子。(C) 接下来，spaTransfer 将这些因子投影到未标记的目标数据集上。(D) 为了标记每个新的观测值（例如细胞或斑点），使用一个多项式模型，将因子作为协变量，标签作为响应变量，来预测目标数据集中的标签。spaTransfer方法的主要优势在于，在不影响标签迁移准确性的前提下，实现了可解释性

参考文献

[1] Cindy Fang, Kelsey D. Montgomery, Sarah E. Maguire, Anthony D. Ramnauth, Boyi Guo, Ryan Miller, Joel E. Kleinman, Thomas M. Hyde, Keri Martinowich, Kristen R. Maynard, Stephanie C. Page, Stephanie C. Hicks. spaTransfer: transfer learning for single-cell and spatial transcriptomics data using non-negative matrix factorization. bioRxiv 2025.12.12.694021; doi: https://doi.org/10.64898/2025.12.12.694021

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC