当前位置：网站首页 » 教程 » 内容详情

空间转录组前沿信息_空间转录组学(2024年11月实时热点)

内容来源：我赢网所属栏目：教程更新日期：2024-11-29

空间转录组

普通大佬的研究：转录组，蛋白组，代谢组点到即止。上海大佬的研究：上来先来一个单细胞转录组结合空间转录组，然后蛋白组，CHIP-seq只是常规手段。

真迈生物平台助力舌鳞状细胞癌的空间转录组及单细胞转录组学研究

【Genome Biology |单细胞组学与疾病研究中心郑小琪团队开发空间转录组数据降维新算法】近日，上海交通大学公共卫生学院、上海交通大学医学院单细胞组学与疾病研究中心郑小琪课题组在基因组学领域顶级期刊Genome Biology杂志发表了题为GraphPCA: a fast and interpretable dimension reduction algorithm for spatial transcriptomics data的方法论文章。该研究开发了一个快速、可解释性的拟线性降维算法——GraphPCA。基于模拟实验及真实数据的评估结果表明，GraphPCA有效提升了包含空间域检测、降噪以及轨迹推断等多项下游分析任务的性能。这项研究为空间转录组数据的分析提供了一个强有力的新工具，有助于更深入地理解细胞在组织中的复杂相互作用和功能。近年来，空间转录组(Spatial transcriptomics, ST) 技术的快速发展使得研究人员在获取基因表达谱的同时保留了细胞在组织中的空间位置信息，从而能够揭示组织内细胞在空间结构上的异质性。然而，空间转录组数据具有高稀疏性、高维性和低信噪比等特点，为后续数据分析带来了巨大挑战。作为下游分析前必要的预处理步骤，降维不仅可以提高信噪比，还能有效缓解维数灾难。目前，大多数研究人员直接将针对单细胞转录组数据的降维算法应用到空间转录组数据（如Seurat、Scanpy、STUtility等）。然而，这些方法未能充分利用ST数据中的空间信息，可能导致低维嵌入的效率降低，甚至错误的生物学发现。虽然近期已有一些专门针对ST数据的降维算法（如SpatialPCA、DR-SC等），但这些方法或依赖复杂的参数推断，或缺乏模型可解释性。为了克服这些缺陷，本研究基于图正则化表示以及主成分分析法，开发了一种快速、可解释的拟线性降维算法——GraphPCA，该算法可以有效处理空间转录组数据，并提高了低维嵌入的生物学解释能力。 GraphPCA建立在灵活的主成分分析框架上，它通过利用位点/细胞之间的空间邻域结构作为图约束，使得低维嵌入能够有效地保留位置信息。GraphPCA的输入包括基因表达矩阵和位点的空间坐标，这些信息被用于构建位点/细胞间的空间邻域图（默认为k近邻图）。与经典的主成分分析方法不同，GraphPCA通过求解一个受空间邻域图约束的优化问题来推断整合了空间位置和基因表达信息的低维嵌入矩阵。由于该优化问题存在封闭解，GraphPCA的计算效率远高于基于深度学习的方法，从而可以高效地处理不同规模的ST数据。通过图约束，GraphPCA可以使相邻位点/细胞在低维空间中的投影更加接近，并且每个嵌入维度都与特定的空间基因表达模式高度相关，这使得基因-成分的投影矩阵能够反映共表达基因模块的空间表达差异性。作者随后在大量模拟数据和不同物种、组织区域、测序技术的真实数据上进行了广泛的评估，验证了GraphPCA得到的低维嵌入在空间域检测、轨迹推断和去噪等下游分析任务中的性能。此外，GraphPCA模型的灵活性使其能够轻松扩展到多样本整合，通过融合其它切片的基因表达信息进一步提高空间域检测的准确性。

空间转录组学技术与“组织结构熵”（Organizational Structure Entropy, OSE）

单细胞与空间转录组学揭示细胞通讯新模式在《Nature Methods》杂志上，有一篇题为《通过单细胞和空间转录组学推断驱动模式的细胞间流动》的文章，真是让人眼前一亮。这篇文章提出了一种全新的方法来研究细胞通讯，让我对细胞通讯的复杂性有了更深的理解。传统上，我们进行细胞通讯分析时，可能只关注单个基因的变化。但这篇文章告诉我们，当细胞受体接收到信号刺激时，实际上是一个由多个基因构成的基因模块在发生变化。这个模块可能包含我们感兴趣的下游分子或转录因子，甚至可能与某些临床表型（如预后或疗效）有关。文章中提到的FlowSig算法，完美地解决了这些问题。无论是单细胞转录组测序还是空间组学，都能从中推断出细胞间通信驱动的细胞间流动。这种方法揭示了细胞间信息流动的复杂性，为多种疾病的研究提供了新的视角。具体来说，文章中提到的FGF受体（FGFR1和FGFR3）是输入信号的来源，而GEM模块则是这些信号引起的细胞内变化。这些变化会促使细胞释放一系列配体。以前的研究中并没有包含GEM这个中间过程。总的来说，这篇文章为我们提供了一个全新的研究细胞通讯的框架，让我们能够更深入地理解细胞间的复杂相互作用。

【中国科学家发布跨物种小脑皮层单细胞空间转录组图谱】 9月27日， Science期刊在线发表了题为“Cross-species single-cell spatial transcriptomic atlases of the cerebellar cortex ” 的研究论文，该研究成果由中国科学院脑科学与智能技术卓越创新中心（神经科学研究所）联合杭州华大生命科学研究院、上海脑科学与类脑研究中心、中国科学院遗传进化与动物模型重点实验室、临港实验室、华南理工大学、腾讯AI Lab等单位80多人的科研团队合作完成。小脑在运动和认知功能中扮演着至关重要的角色，其皮层与新皮层的各种感觉运动和联合区域具有区域特异性的功能连接。然而，与大脑皮层相比，小脑皮层各区域具有相对统一的细胞结构和典型的局部回路，这使得细胞组织如何支撑小脑连接和功能的复杂性成为一个重要问题。近年来，单细胞组学的发展推动了多个针对小脑细胞构成研究的开展，但此前对小脑皮层细胞的分子和功能多样性的研究主要基于小鼠小脑。灵长类动物小脑在进化过程中显著扩张，神经元数量增加，认知功能更为复杂，因此确定是否存在灵长类特异性细胞亚型及其独特的空间组织形式，对于研究灵长类特异性的小脑功能具有重要意义。然而，由于小脑除了占小脑神经元数量99%以上的颗粒细胞外，大多数细胞类型难以富集，因此对整个灵长类小脑进行单细胞分辨率的全面空间基因表达谱分析一直具有挑战性。在本研究中，科学家们采用了华大生命科学研究院发明的单细胞空间转录组技术Stereo-seq，对小鼠、狨猴和猕猴的小脑进行了分析。该方法能够以约500纳米的高空间分辨率和全小脑覆盖的超大可视面积来绘制小脑的空间基因表达谱。通过对这些物种小脑皮层的细胞类型进行分类，研究人员揭示了三个物种中保守的浦肯野细胞、颗粒细胞和分子层中间神经元等细胞类型。通过比较小鼠和灵长类动物中每个细胞类型的基因表达模式，发现大多数细胞类型在物种间是保守的，但每个细胞类型中的差异表达基因高度依赖于物种。通过绘制各个细胞类型的空间分布，研究人员发现了灵长类特异的高尔基神经元分布特征。特别值得注意的是，研究人员在Stereo-seq数据中发现了灵长类特异性的浦肯野细胞亚型（GRID2-high Purkinje），并通过RNAscope实验和人类的单细胞转录组数据验证了这一发现。进一步的研究还揭示了GRID2高表达细胞在诱导长时程抑制（LTD）相关基因表达方面的显著差异，以及与其他谷氨酸受体亚基表达模式的差异。通过收集和分析清醒小鼠、狨猴以及公开的猕猴的静息态fMRI数据，研究人员发现了小脑皮层内的功能连接梯度，即“小脑内功能梯度”。这些梯度展示了不同小脑区域之间连接性的三维空间模式。通过实现空间转录组的三维重建和梯度分析，研究人员近一步发现，在所有三个物种中，功能梯度1和转录组梯度1都显示出明显的前后差异，且猕猴和狨猴之间的空间模式相似性高于它们与小鼠之间的相似性。此外，通过跨物种预测模型的验证，发现了基因表达与小脑内功能连接之间的密切关系，并且确定了与功能梯度相关的基因。这些基因在不同物种中的表达模式和富集的细胞类型存在差异，进一步强调了物种间的分子和功能差异。综上所述，本研究构建了猕猴、狨猴和小鼠小脑皮层的时空单细胞图谱，描绘了灵长类特异性浦肯野神经元亚型、进化保守的神经元空间模式和基因表达的区域偏好，并建立了转录组的空间异质性与小脑内功能连接的紧密关系。这些数据为该领域的未来研究提供了全面的资源，揭示了小脑皮层在进化过程中的分子和细胞多样化，有助于深入理解小脑的进化和功能。该研究成果已在线发表，相关数据已在深圳国家基因库公开提交，可在CBMSTA（网页链接）数据库交互查看并下载分析。这一研究成果对于推动小脑研究的发展具有重要意义，为进一步探索小脑在神经系统中的作用以及相关疾病的机制提供了重要的理论基础和实验依据。

约翰斯ⷩœ普金斯大学招收神经科学博士后约翰斯ⷩœ普金斯医学院的K实验室正在寻找博士后和访问学者研究员。这些职位将提供全额资助，主要研究领域包括开发新的病毒和基于测序的神经解剖学工具，以映射小鼠和其他模型系统（如NHP、鸣禽、爬行动物、两栖动物）的单细胞或多突触连接。研究目标是应用这些工具来回答系统神经科学和神经退行性疾病（如阿尔茨海默氏症和小脑无创症）中的问题。 K实验室的使命是了解脊椎动物大脑的结构和功能，探索其进化方式，以及神经系统疾病如何干扰其正常运作。为了实现这一目标，实验室开发了先进的空间转录组学和下一代基于测序的连接组学方法，以研究脊椎动物大脑组织的基本问题以及药物使用和神经退化对大脑回路的多组学变化。候选人需具备博士学位（或同等学历），并在神经科学、分子生物学、组学或相关领域拥有丰富经验。强烈的神经科学、分子生物学和/或生物信息学技能，以及对开发新工具和理解大脑回路的热情至关重要。实验室鼓励来自代表性不足或少数群体的申请，致力于创造一个多样化和包容的环境，以培养创造力和激发科学发现。

单细胞数据分析，一文搞定！单细胞数据分析是一个充满挑战和发现的领域，涵盖了从基因组学到细胞通讯的多个方面。以下是一些关键的分析步骤和方法，帮助你深入探索单细胞数据：样本质控/降维/聚类/双细胞去除 𐟧ꊥ䚦 𗦜즕𔥐ˆ（Harmony） 𐟌 细胞亚群注释 𐟓š NNLS样本亚群迁移 𐟌 Augur：基于随机森林判定细胞亚群转录组扰动 𐟌𓊍agellan：基于随机森林判定空转区域最大扰动（空间转录组） 𐟌Œ 亚群细分（提取感兴趣亚群重新聚类） 𐟔 各细胞类型占比 𐟓Š 差异基因计算及可视化 𐟎芍arker基因计算及可视化（气泡图/热图/小提琴图/UMAP或TSNE基因表达展示） 𐟌Ÿ 功能富集分析 𐟔슇SVA分析 𐟓ˆ 细胞亚群GO/KEGG分析 𐟓Š 通路差异得分计算 𐟓Š AUCell通路活性打分 𐟌€ PHATE 𐟌🊧𛆨ƒž通讯分析 𐟓ኃellChat细胞通讯推断 𐟔 CellPhoneDB细胞通讯分析 𐟓𖊦‹Ÿ时间分析 ⏳ Monocle2 ⏳ Monocle3 ⏳ inferCNV、copycat 𐟧슓CENIC分析 𐟌 非负矩阵分解NMF 𐟧銒NA动力学 ⚡ 转录组与VDJ联合分析 𐟧슧麩—𔨽쥽•组联合分析 𐟌 scATAC-seq联合分析 𐟧슊这些工具和方法可以帮助你从单细胞测序数据中提取有价值的生物学信息，进一步了解细胞的复杂性和多样性。无论是单细胞个性化分析、转录组研究还是空间转录组分析，这些技术都能为你提供深入的见解。

高分思路分享：单细胞测序+空间转录组，大牛团队再掀生信热潮！

医学生必读：生物信息学分析全攻略作为一个医学生，生物信息学分析真的是一门必修课。经过一段时间的学习和参与课题，我终于有幸和一些发表过Cell、Nature Medicine的生统大佬交流了一番，收获满满。今天就来和大家分享一下我的个人经验，希望能帮到正在迷茫的你们。一、学习方法 𐟓š 刚开始入门生物信息学，直接对着教程学就行。以能够做出和教程一样的图片为目标，这样你会发现自己学得很快！以下是一些常见的数据分析方法： bulk转录组：数据清洗、差异分析、富集分析、免疫浸润、相关性分析、预后分析、机器学习... 单细胞转录组：数据清洗、细胞注释、差异分析、富集分析、细胞评分、拟时序分析、细胞通讯、转录因子分析... 空间转录组：数据清洗、空间注释、空间评分、空间轨迹分析、空间互作... 其他组学：基因组、表观组、蛋白质组、代谢组、肠道菌群组二、学习思路 𐟒튊掌握了方法后，接下来就是设计自己的分析流程。要带着问题去分析，让所有的分析都围绕这个问题展开，这样一篇文章的雏形就诞生了！以下是一些不同分值的文章类型： 3-5分：基本是套路文章。在学习具体方法时可以带着学习，较为简易，可以用来练手。 5-10分：一类是工作量较大的套路并且干湿结合，一类是有较为创新的分析思路或者复杂的分析手段。在基本掌握多数分析方法后着重学习，可以作为自己的第一篇文章范例。 10分以上：基本分析思路严谨并且需要干湿结合。在熟练掌握基本功后要重点学习文章思路，用于自己的课题设计。三、学习原理 𐟧 原理是数据分析中最深奥并且最晦涩难懂的模块，是区分高分文章和中低分文章的关键因素。只有高质量的研究设计才能得出高质量的结论。能够在扎实的生物学背景上深谙数学原理，那么恭喜你已经成为了一个优秀的生物统计大师了！研究设计的科学性：数据分析的起点就是样本的来源，需要考虑混杂因素有哪些？在样本选择和分组时是否已经尽可能控制？在分析过程中也要注意及时关注组内和组间的异质性。数据处理的科学性：首先需要明确公共数据库不同来源数据是否具有可比性？是否存在批次效应，是否需要去除？在使用分析方法时需要考虑数据本身是否符合该方法的要求，比如差异分析函数的选择标准？希望这些心得能帮到你们，祝大家都能在生物信息学的道路上越走越远！𐟒ꀀ