🧠 空间转录组去卷积（Spatial Transcriptomics Deconvolution）详解
一、什么是去卷积？为什么需要它？
去卷积（deconvolution）是指从一个混合表达信号中解析出其组成成分的过程。在空间转录组中，它的主要目标是：
应用
说明
❶ 细胞成分识别
推断每个 spot 中有哪些细胞类型及其比例
❷ 空间组织图谱重构
重建“拟单细胞”的空间表达图
❸ 解码功能异质性
揭示组织微环境的免疫、代谢、基质等变化区域
空间去卷积 vs. bulk RNA-seq 去卷积
维度
空间转录组去卷积
Bulk RNA-seq 去卷积
数据类型
空间点（spot）表达
全组织混合表达
是否有坐标
✅ 有
❌ 无
分辨率
每个 spot 级
整个样本级
典型工具
cell2location, RCTD, Tangram
CIBERSORTx, MuSiC, DeconRNASeq
关键区别
维度
空间去卷积
bulk RNA-seq去卷积
数据类型
空间转录组数据
整体混合表达数据
是否有空间信息
有，点位具有坐标
无空间坐标
精度
高，每个spot都有推测
低，只能估算样本总体组成
所需参考
scRNA-seq表达谱
通常也需要scRNA-seq或marker表达谱
输出结果
每个spot中不同细胞类型的比例
每个样本中不同细胞类型的比例
工具
Tangram, RCTD, Cell2location
CIBERSORT, MuSiC, DeconRNASeq
与传统意义bulk RNA-seq 中的去卷积不同
在 bulk RNA-seq 中，样本通常由多种细胞混合，比如肿瘤组织、血液样本等。Bulk RNA-seq 给出的是一个样本整体的平均表达谱。目标是推断每个 bulk 样本中，不同细胞类型所占的比例（或相对表达贡献）
常用算法
CIBERSORT / CIBERSORTx：利用线性回归，将混合表达数据分解为多个已知细胞类型的表达特征和比例。CIBERSORTx支持batch correction和RNA-seq改进模型。
MuSiC：利用scRNA-seq作为参考，建立细胞类型表达加权平均模型，适应不同组织来源。
DeconRNASeq: 简化线性模型，适用于较少已知细胞类型的场景。
二、空间去卷积的分析流程（典型四步）
预处理 → 构建参考 → 建模去卷积 → 可视化与空间解释
步骤拆解：
预处理：
空间数据归一化、QC；
单细胞数据聚类与细胞类型注释。
构建参考表达库：
使用高质量的 scRNA-seq 生成各类细胞的 marker profile；
或整合公开单细胞数据集。
去卷积建模：
根据所选工具建立空间表达 = 参考表达 × 比例矩阵。
空间可视化与解释：
将每种细胞类型的分布图还原在组织图像上。
三、主流去卷积方法与分类对比
✅ 1. 监督式建模法（需要 scRNA 参考）
方法
原理
特点
适用平台
cell2location
贝叶斯层次模型
多细胞类型支持好，可整合 batch
Visium, CosMx
RCTD
泊松似然估计
对小 spot 更稳健，分辨率适中
Slide-seqV2
SPOTlight
NMF + 回归
快速，适合探索性分析
Visium
Stereoscope
scVI负二项建模
类似cell2location，轻量但不支持先验
Visium, MERFISH
Tangram
深度学习映射
支持 RNA→Protein 跨模态对齐
CosMx, Xenium
✅ 2. 无监督 / 半监督类（无需 scRNA 参考）
方法
原理
特点
适用平台
NMF
非负矩阵分解
快速、无参考，但难解释
全平台（探索）
BayesSpace
贝叶斯空间聚类
强 spatial 分区能力，不输出细胞比例
Slide-seq, Visium
spatialPCA
降维+聚类
聚焦空间趋势挖掘
全平台
✅ 3. 多模态去卷积方法
方法
特点
支持平台
Tangram
RNA→Protein 映射；空间对齐强
CosMx, DBiT-seq
DestVI
建模细胞状态（不是类型）
Visium, Xenium
TotalVI
RNA + 蛋白整合
多模态平台首选
四、平台适配推荐表
平台
类型
推荐方法
10X Visium
转录组
cell2location, SPOTlight, Stereoscope
Slide-seqV2
转录组
RCTD, BayesSpace
MERFISH / CosMx
空间高通量 RNA
Tangram, DestVI
DBiT-seq / Xenium
RNA + Protein
TotalVI, Tangram
IMC / CODEX
蛋白组学
NMF, 聚类 + marker 注释
五、方法选择的本质逻辑
决策因素
解读方式
示例
🎯 数据模态
仅RNA？是否多模态？
CosMx 选 Tangram；单模态选 RCTD
📏 空间分辨率
spot 包含几种细胞？
Visium 适合 cell2location
🧭 是否有 scRNA 参考
有参考可用监督法；无参考用 NMF/BayesSpace
tumor bulk 无参考 → NMF
六、可视化与输出样例
以下是典型输出图表：
每类细胞空间热图
堆叠条形图（每个 spot 细胞比例）
空间聚类 vs. 原组织结构映射图
你可以用以下工具生成可视化：
可视化工具
推荐
Scanpy / Squidpy
可生成空间图、分布图
cell2location 自带可视化函数
如 plot_spatial_map()
Tangram 结合 napari
支持原图叠加表达图
七、技术挑战与前沿趋势
挑战
描述
📍 分辨率限制
Visium spot 过大，非单细胞
🧬 batch effect
scRNA 与空间数据跨平台误差
🧬 多模态推断困难
蛋白数据数量少，归一化难度大
📌 未来趋势
开发真实单细胞分辨率平台（如 Slide-seq3、Stereo-seq v3）；scATAC + 蛋白联合建模
✅ 总结推荐清单
使用场景
推荐方法
Visium + scRNA
cell2location, Stereoscope
Slide-seq 高精度
RCTD, BayesSpace
无参考数据
NMF, BayesSpace, spatialPCA
蛋白组数据
NMF, 聚类 + marker 注释
多模态 RNA+Protein
Tangram, TotalVI
📦 Bonus：进一步资源
如你需要，我可以提供：
🧪 各方法的 运行代码模板（Python/R）
🧬 公开 scRNA + ST 数据用于练手（如 10x + Tabula）
📁 Snakemake 工作流模板，支持自动化 cell2location + Tangram