作者，Evil Genius
生活总是有很多不如意，这是大家每个人都要面对的，我也不例外，无论是失业、低谷、被攻击、失恋等等都经历过，直到现在也没有摆脱，我相信很多人现在也有类似的困境，也有很多人交流过自己的苦恼，但危机是并存的，能不能越过这些困境，跳过这些“龙门”，就看看大家是不是真的“龙的传人”了。
上过培训的学员都知道，真正的配受体关系需要考虑很多方面，如下如
nichenet给大家的网络图
空间转录组需要考虑的互作关系
同时课程也讲到了通过Delaunay三角网格定义相邻细胞来推断LRIs。
那么我们总结起来就是
1、配受体要考虑是否引起下游的靶基因反应
2、配受体分析要考虑空间的距离关系。
那么纯空间分析就要找到引起靶基因反应的临近配受体对。
今天我们分享的文献
知识积累
LRI信号可能在不同空间位点呈现异质性，将其称为空间可变LRIs（SVIs）。LRI信号的空间变异可反映独立于基因注释的细胞状态——来自多个聚类或一个亚聚类的细胞可能表现出同质的LRI信号。更重要的是，与空间可变基因（SVG）类似，SVIs不仅能保留细胞的空间关系，还能从相互作用维度捕捉细胞异质性。
结果1、SPIDER框架概述
基于配体-受体相互作用（LRIs）具有空间约束特性的假设，SPIDER通过评估细胞相互作用能力与空间邻近性，构建细胞间的交互界面。该框架首先根据配体和受体基因的总表达量评估每个细胞的相互作用能力，随后运用功率图（power diagram）算法基于动态相互作用能力生成细胞间界面。
与空间转录组数据分析中常用的Delaunay三角剖分相比，功率图生成的多边形区域能直接表征相互作用范围，其面积与分配的相互作用能力成正比。这种基于作用能力的建模方式相比Delaunay三角剖分更能适应动态变化的相互作用动力学。
在三维空间构建中，细胞通过分配权重和二维坐标被提升至抛物面，形成凸包结构后投影回二维平面，生成具有面积权重比例特征的多边形区域。每个多边形的面积与对应细胞的初始提升权重直接相关，权重越高则多边形面积越大。
随后，SPIDER采用集体最优传输（COT）方法结合配体-受体共表达分析，跨界面建模LRI信号（表现为相互作用谱）及相互作用方向。通过求解最小化配体-受体表达传输代价的COT问题，获得跨界面的最优表达分布方案，进而推断双向COT得分最大值作为LRI作用方向。在相互作用谱中，每个条目代表LR数据库中的一个分子对，通过提取最优传输得分计算位点特异性LR共表达值，最终取COT得分与共表达值的最大值作为配体-受体对的作用强度。
通过将构建的界面定位于相连位点的中心坐标，SPIDER获得界面的空间坐标与表达谱数据，进而构建以界面为节点的空间邻近图，为LRI信号的空间变异性计算奠定基础。
为降低空间变异性检验的位点数量，SPIDER基于界面空间邻近图构建抽象界面表示。采用自组织映射（SOM）无监督神经网络，根据拓扑邻接关系和界面密度自适应整合相邻界面，通过均值-最大值信号卷积将收缩界面的相互作用谱融合为抽象相互作用谱，保持联合相互作用谱的空间连续性。
在界面构建完成后，SPIDER通过分析空间可变转录因子（svTFs）为LRI评分提供功能支持。svTF分析具有双重目的：其一，SVI下游TF的激活为检测结果提供机制验证——功能性SVI的信号传导应通过受体激活下游基因调控程序，导致特定TF的空间激活；其二，整合svTFs可增强SVI的生物学可解释性，将空间细胞通讯事件与下游基因调控网络变化及通路富集分析相连接。因此非空间可变TF基因被排除分析。
SPIDER内置表征配体-受体-下游靶标TF基因调控关系的知识图谱。通过整合细胞表达的细胞特异性邻接矩阵，沿图谱拓扑结构追踪到达svTF节点的加权路径来评估受体激活程度。加权邻接矩阵的幂次运算可量化受体与TF间不同跳数的路径数量，类比信号在多步网络中的传播过程。通过累加限定路径长度内的跳数矩阵，获得全激活得分组合矩阵，系统表征知识图谱上的信号流。将激活得分与涉及对应受体的LRI谱进行关联，可为受体-TF协作提供功能证据。
基于抽象界面，SPIDER采用多模型检验识别SVI候选：整合六种统计模型和两种基准检验检测空间变异性，保留通过联合模型检验且具有统计显著空间变异性的LRIs。进一步筛选具有svTFs功能支持的SVI候选，生成svTF支持的SVI集合。
最后，SPIDER采用高斯过程混合模型根据空间分布相似性对SVIs进行聚类。通过Dirichlet过程先验自动确定聚类数量，每个SVI cluster生成的空间模式作为高斯过程分量的后验混合，量化表征cluster内SVI谱的激活强度。基于KEGG和Reactome数据库，采用Fisher精确检验识别每个SVI簇中显著富集的通路，探索具有相似空间分布的SVIs潜在的生物学过程。
结果2、多方法比较（模拟数据集）
SPIDER在识别空间可变配体-受体相互作用（SVIs）中的卓越性能：
- 精度优势：在单细胞和批量分辨率下，SPIDER的AUC（0.84-0.886）和特异性（0.848）均显著优于SpatialDM、SpaTalk等主流方法
- 鲁棒性：在低相互作用强度（25%-75%）、高噪声、TF变异等挑战性场景中保持稳定表现
- 空间约束适应性：在无空间约束时特异性达1.0，弱约束环境下AUROC（0.8716）远超对比方法
- 生物学一致性：真实样本中检测到癌组织短程相互作用随空间约束放松而减少，符合癌症生物学特征
- 可扩展性：界面抽象机制有效支持大规模数据分析，超参数设置方案适配不同数据规模与噪声水平
结果3、多方法比较（真实数据集）
结果4、SPIDER从单细胞分辨率的多样本数据中识别具有svTF支持的空间可变配体-受体相互作用（Stereo-seq）
Slide-seq数据
visium数据（多样本）
最后来看看实例代码
import sys
import os
import numpy as np
import pandas as pd
import anndata
import scanpy as sc
import matplotlib.pyplot as plt
R_path = 'R'
import spider
import time
from spider import SPIDER
op=SPIDER()
adata = anndata.read_h5ad('../data/adata.h5ad')
out_f = f'../results/'
if len(adata.obs_names) > 200:
sc.pp.filter_genes(adata, min_cells=20)
start = time.time()
idata = op.prep(adata, cluster_key=adata.uns['cluster_key'], is_human=adata.uns['is_human'], is_sc=adata.uns['is_sc'], itermax=1000, imputation=True, normalize_total=True)
runtime = time.time()-start
with open(f'{out_f}ot_runtime.txt', 'w') as f:
f.write(str(runtime))
start = time.time()
op.svi.tf_corr(idata, adata, adata.uns['is_human'], out_f, threshold=0.3, n_jobs=20, overwrite=True, step=None, keep_top_score=5)
runtime = time.time()-start
with open(f'{out_f}tf_runtime.txt', 'w') as f:
f.write(str(runtime))
start = time.time()
idata, meta_idata = op.find_svi(idata, out_f, R_path, alpha=0.3, overwrite=True, n_jobs=20, svi_number=0)
runtime = time.time()-start
with open(f'{out_f}svi_runtime.txt', 'w') as f:
f.write(str(runtime))
svi_df, svi_df_strict = op.svi.combine_SVI(idata,threshold=0.01)
op.svi.eva_SVI(idata, svi_df_strict)
plt.show()
op.vis.pattern_LRI(idata,show_SVI=10, spot_size=10)
plt.tight_layout()
plt.show()
op.svi.eva_pattern(idata)
plt.show()
生活很好，有你更好
网友评论