学习笔记,仅供参考,有错必纠
阅读状态:略读
Journal:Nature Methods
Year:2021
Authors:Tommaso Biancalani, Gabriele Scalia,Aviv Regev
Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram
abstract
绘制器官的生物图谱需要我们在空间上研究整个单细胞转录组,并将这些细胞特征与解剖学尺度联系起来. Single-cell和RNA-seq (sc/snRNA-seq)可以全面地描述细胞,但会失去空间信息. 空间转录组学可以进行空间测量,但分辨率较低,灵敏度有限.Targeted in situ technologies(靶向原位技术)解决了这两个问题,但在基因通量方面是有限的. 为了克服这些限制,我们提出了Tangram,一种将sc/snRNA-seq数据与从同一区域收集的各种形式的空间数据相匹配的方法,包括MERFISH、STARmap、smFISH、Spatial Transcriptomics(Visium)和组织学图像. Tangram可以映射任何类型的sc/snRNA-seq数据,包括多模态数据,如来自SHARE-seq的数据,我们用它来揭示染色质可及性的空间模式. 我们通过重建视觉和躯体运动区的单细胞分辨率的全基因组解剖学综合空间图,在健康的小鼠脑组织上演示了Tangram.
Introduction
A Human Cell Atlas should combine high-resolution molecular and histological mapping with anatomical and functional data. 单细胞和空间基因组学的进展为高分辨率的空间图谱开辟了道路,但目前可用的每项技术只解决了在单细胞分辨率下整个转录组空间的部分挑战. 一方面,sc/snRNA-seq对单细胞的转录组进行剖析,我们可以从中恢复细胞类型、基因表达和发育关系,但必然会失去直接的空间信息. 相反,空间技术在空间上解决了转录组的问题,但在基因通量或空间分辨率方面都是有限的. 一般来说,有针对性的原位技术(如原位测序、复用防错荧光原位杂交(MERFISH)、单分子FISH(smFISH)、cyclic-ouroboros smFISH(osmFISH)、空间解析转录本扩增子读出图(STARmap)、定向扩增测序和顺序FISH(seqFISH+))通常只限于数百个预选基因,但增加更多探头会降低某些基因的准确性. 空间转录组学方法(如Spatial Transcriptomics(ST/Visium)、Slide-seq和High Definition Spatial Trascriptomics)对整个转录组进行空间编码,但捕获率有限(大量的 “dropouts”,在更高的分辨率下会增加),空间分辨率大于单细胞,ST为50µm至100µm,而Slide-seq为10µm. 此外,对于生物学解释来说,细胞特征最好与组织学或器官尺度相关,这通常是通过计算机视觉的方法来完成的,用于医学图像的注册. 然而,这些方法通常需要人的监督,如识别图像中的解剖地标,防止器官尺度绘图所需的完全自动化.
在这里,我们提出了Tangram,一个深度学习框架,以解决两个挑战:
在单细胞分辨率下学习整个转录组的空间基因表达图,并将其与来自同一标本的histological和anatomical 信息联系起来. Tangram从任何种类的参考空间数据学习sc/snRNA-seq数据的空间排列,正如我们通过使用5种空间支持(ISH, smFISH, Visium, STARmap 和 MERFISH)中的每一种,在不同的分辨率和基因覆盖水平上,对来自成年健康小鼠大脑等皮层的snRNA-seq数据进行空间映射.
Tangram产生一致的细胞类型的空间图,并克服了吞吐量或分辨率的限制. 它纠正了低质量的基因,甚至在高分辨率方法中也是如此,为低分辨率方法提供了单细胞分辨率,并为定向方法提供了全基因组覆盖. 通过在空间上映射多模态单一数据(simultaneous high-throughput ATAC and RNA expression with sequencing (SHARE-seq)),Tangram在单细胞分辨率上可视化了chromatin accessibility 和 transcription factor motif scores的空间模式. 最后,Tangram包含一个专门的新计算机视觉模块,利用histological data,并将其映射到大脑中现有的共同坐标框架的解剖位置. 如果有一个histology image,即使没有任何进一步的注释,这个模块也会将所有的尺度联系起来,形成一个单一的综合图集.
Results
Tangram: learning of spatially resolved single-cell transcriptomes by alignment
Tangram maps cells with MERFISH measurements to generate genome-scale high-resolution expression maps
Accurate correction of transcripts measured with STARmap
Single-cell deconvolution and histological data incorporation with Spatial Transcriptomics
Tangram imputation of dropouts in Spatial Transcriptomics
Spatial localization of chromatin-accessibility patterns with SHARE-seq
Tangram helps detect cell-type patterns conserved across species
A learned histological, anatomical, and molecular atlas of the somatomotor mouse cortex at single-nucleus resolution