将单细胞分析置于环境中的分析框架：空间多组学方法

空间多组学是单细胞组学、空间转录组学和空间表型之间的桥梁。整合这些技术的发现提供了对组织微环境分析的创新生物学观点，使研究人员能够将他们的转录组发现和设想转化为整个组织，并观察它们在天然状态细胞之间的相互作用。这是将RNA 及蛋白与细胞组织和行为联系起来的关键步骤。

在《将单细胞分析置于环境中：空间多组学方法》白皮书中介绍了空间表型分析的优势，空间多组学分析的意义，整合scRNA-SEQ和空间表型数据的分析框架及整合CITE-SEQ 和空间表型数据的分析框架。

从质谱流式CyTOF到CITE-seq 分析，单细胞多组学方法在持续的改变对生物学的研究，对组织细胞异质性分析提供了新的解读视角。

尽管这些技术在自动化单细胞分析中发挥了重要作用，但对于研究人员而言分析数据与组织细胞表型之间仍然存在差距。细胞行为、状态和命运受到空间位置、周围成分等的极大影响。人们进一步探究发现，细胞命运和行为是细胞生物核心要素（比如DNA、RNA 和蛋白质）和周围微环境的总和。因此要真正了解细胞功能，就需要在其要素和邻域的生物环境下对细胞进行研究。

为了解开细胞的复杂性，科学家们并没有将自己局限于单一分析模式，这就是空间多组学分析的优势所在。空间多组学是单细胞组学、空间转录组学和空间表型之间的桥梁。整合这些技术的发现提供了对组织微环境分析的创新生物学观点，使研究人员能够将他们的转录组发现和设想转化为整个组织，并观察它们在天然状态细胞之间的相互作用。这是将RNA 及蛋白与细胞组织和行为联系起来的关键步骤。

空间表型分析的优势：探索组织微环境中的细胞表型与空间邻域

空间表型分析使用抗体组合在组织样本的环境中通过功能和状态来表征细胞。由此产生的细胞生态系统对细胞注释图揭示了定位、密度、组织和空间邻近度或“细胞邻域”的模式——揭示对发育、分化和反应洞察的空间表型。在肿瘤免疫研究中这些空间表型已被证明可以高度预测疾病治疗结果和对免疫治疗的反应。

空间多组学：重新定义我们对生物学的理解

空间多组学整合来自各种模式的信息，将分子表达水平与细胞表型联系起来。这使人们能够超越转录组和蛋白数据，真正了解细胞间信号传导网络、细胞激活状态及其背后的原因等。

Wang等人利用空间多组学方法，使用两种互补方法研究组织再生和衰老：通过CODEX 和CITE-seq 进行空间表型分析。结合从CODEX 和CITE-seq 获得的数据，使用空间生物学分析技术，作者将RNA 表达数据映射回组织样本中的单个细胞。

使用这种方法，他们能够识别细胞间信号网络并确定细胞之间的通信是否在空间上受到限制。这表明并非所有具有互补配体和受体的细胞都在组织微环境中发挥交流功能，作者指出“由于生物学空间限制，这些细胞可能永远不能接触到彼此”。

Peng等人提出了一种将单细胞转录组数据与基于CODEX的全组织细胞图谱进行结合的新方法，他们称之为GLUER (single-cell Resolution mUlti-omics integrated anaLysis)。GLUER将两种分析方法获得的数据通过联合非负矩阵分解、相互最近邻算法和深度学习神经网络进行整合。

为了演示这一点，他们对使用scRNA-seq 的7097 个小鼠脾脏细胞和使用30个抗体多重成像面板分析的9186 个小鼠脾脏细胞数据进行了排列分析。使用Seurat和LIGER算法创建的UMAP 细胞簇图显示出象征性的一致性，细胞类型之间的界限不明显。当使用GLUER 方法评估这些相同的数据时，细胞类型的排列和聚类变得更加紧密，图中显示出区分不同细胞类型的能力得到了提高。由于使用CODEX 系统捕获的所有细胞都被标记为x-y 坐标，这些发现可以追踪到组织样本的特定区域，从而可以对转录组数据、细胞结构和功能之间的联系进行新的理解。

STvEA：整合CITE-SEQ 和空间表型数据的分析框架

Govek等人开发了STvEA方法(Spatially resolved transcriptomics via epitope anchoring)，利用CITE-seq 生成的RNA 测序数据丰富CODEX 全组织、单细胞分析的输出信息。该分析框架不仅允许作者通过类型和状态注释细胞，而且还可以识别空间基因表达和研究细胞群体之间的相互作用。

STvEA通过基于共享抗体面板的CODEX 和CITE-seq 数据集，计算合并相应多重图像的蛋白表达位置信息。然后确定CITE-seq mRNA 表达数据的最佳聚类，从而将不同的mRNA 序列以单细胞分辨率映射到CODEX图像中。

在一项对小鼠脾细胞的分析中，Govek等人展示了这种方法如何能够细化细胞聚类模式，它使不同的、基于细胞簇内基因表达的细微梯度的可识别细胞群数量几乎翻倍，并突出这些表位水平的变化作为区分具有相似蛋白表达水平细胞的一种方法。

GLUER 和STvEA是研究人员如何将基因表达数据锚定到多重成像中，以研究完整组织中的细胞行为和功能的几个例子。这个过程揭示了大多数研究人员已经知道的东西，即测序的东西并不总是最终表达的东西；RNA只在影响蛋白合成上起作用，而蛋白的表达决定了表型。将空间表型和单细胞组学结合起来，提供了从基因组到转录组到蛋白组，最终到活组织的生物学研究的线索。

空间多组学使这种联系成为可能，使研究人员能够将他们在转录组学上发现和假设翻译到整个组织，并观察它们在细胞的自然状态下相互作用中的功能。通过链接下载完整《将单细胞分析置于环境中：空间多组学方法》白皮书。

可同时了解《空间表型特征：表征实体肿瘤和预测免疫治疗反应的新型标志物》白皮书。

扫码下载完整白皮书

 [参考信息]

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.