方法分享

作者，Evil Genius

现在的日子，关税在涨，物价在涨，钱是越来越难挣了。

什么东西在跌呢？工资在跌，房价也跌，房租反而涨了，生活的压力感觉越来越大了。

对于生信分析而言，什么东西是最重要的？尤其是空间转录组的分析？

很显然，硬件是服务器，软件是分析能力，好消息是，租服务器的价格在跌。

今天我们分享文章

知识积累

识别细胞类型和状态对于空间生物学来说仍然是一个耗时且容易出错的挑战。虽然深度学习越来越发挥作用，但由于健康和疾病中细胞，邻域和niche水平的变异性，很难概括。

空间生物学的重点是精确了解细胞类型及其相关细胞状态在其天然环境中的空间分布和关系.

当前的空间生物学时代以单细胞和亚细胞分辨率、多组学技术、甚至单个组织切片上的组合模式为特征，需要更先进的工具来实现规模化和多模式。

深度学习算法越来越多地用于空间组学中的细胞类型识别，但它们需要全面和多样化的训练数据来提高其准确性和适用性，以处理空间多组学的复杂性。

TACIT:一种基于细胞标记表达谱分配细胞身份的无监督算法。TACIT使用多步机器学习方法将细胞分组为群体，最大限度地丰富基于空间转录组学和蛋白质组学数据的预定义细胞类型特异性知识.

结果1、空间多组学TACIT的Conceptualization。

1、首先对包含组织或细胞的图像进行分割，以识别细胞边界，对探针强度（蛋白抗体）和计数值（mRNA探针）等特征进行定量、标准化，并存储在单模态或多模态CELLxFEATURE矩阵中。TYPExMARKER矩阵来自专家知识，值在0和1之间，表示用于定义细胞类型的标记物的相关性。

2、TACIT分两轮进行细胞类型标注。首先使用基于图的聚类算法将细胞聚类为MicroClusters（MC），以捕获高度同质的细胞类群，其平均大小在群体的0.1-0.5%之间。

3、细胞类型注释的质量通过p值和fold change进行评估，量化每个细胞类型的标记富集强度。

4、细胞邻域检测和细胞空间分析。

结果2、针对现有算法的TACIT基准测试

首先是公共数据的验证（当然了，文章都说自己的最好）

多方法比较，Astir, Tangram，Spatial-ID, STELLAR,ScNym, SciBet、TYPEx, SingleR, Scmap, Cell-ID, CELESTA, cell2location。

结果3、将TACIT应用于具有scRNA-seq的内部单模态空间转录组学

结果4、将TACIT应用于内部同载玻片空间蛋白质组学和转录组学

结果5、TACIT在连锁空间蛋白质组学和转录组学ROI中的评价

结果6、TACIT的多模态细胞识别（Xenium）

生活很好，有你更好