作者，Evil Genius
今日参考文献
在美国科研的中国人，也是图像细胞分割SCS方法开发是课题组。
空间技术的困境：空间转录组学绘制了组织切片中的基因表达，揭示了细胞在自然环境中的组织。然而，许多技术缺乏单细胞分辨率，从混合细胞群体中捕获集体基因表达。
分析目标：在多细胞分辨率下从空间转录组学数据中恢复单个细胞在其位置的表达谱的方法
知识积累
- 许多流行的空间转录组学技术缺乏单细胞分辨率。相反，这些方法测量细胞混合物中每个位置的集体基因表达，可能包含多种细胞类型。
- 空间转录组学（ST）技术通过将成像与测量组织样本不同位置的基因表达水平的能力相结合，便于原位研究细胞。
- 首先通过结合点水平表达谱和配对的组织学图像来生成亚细胞分辨率的基因图谱，然后从这些图谱中分割单个细胞，从而产生它们的表达谱。
分析方法：scResolve概述
- 结合图像分割：SCS通过三个关键步骤进行分割。它首先从组织染色图像中识别细胞核。然后，训练一个深度学习转换器模型，从基因表达中推断每个亚细胞点是细胞的一部分还是细胞外基质的一部分，以及它相对于细胞核中心的相对位置。最后，确定为细胞一部分的spot根据它们与细胞核中心的相对位置分组。
总之，scResolve包含两个步骤来恢复单细胞表达谱。它首先将多细胞ST测量的分辨率提高到像素分辨率，这是在亚细胞水平。接下来使用SCS对亚细胞分辨率的基因表达图谱进行细胞分割。分配给像素的基因表达值最终基于分割细胞边界聚合，从而生成空间分辨的单细胞表达谱，从而实现灵活的单细胞分辨率分析，包括组织中的细胞类型组织、细胞类型特异性差异基因表达、罕见细胞类型鉴定以及空间相邻细胞类型之间的差异基因表达。
细胞型反卷积的scResolve评价与基准测试
首先用单细胞的真实表达谱模拟了低分辨率的ST数据
Stereoscope和cell2location都只能正确识别两种罕见细胞类型中的一种，而不能识别另一种
模拟Xenium数据的反卷积分析
scResolve在人乳腺癌数据集上的应用
空间基因表达除了分析组织学图像外，还为癌症诊断提供了更详细的信息。诊断乳腺癌的一个重要问题是确定癌症分期，即癌细胞是否扩散。
scResolve在IPF数据集上发现衰老细胞的应用
示例代码（以10X visium为例）
conda create -n scresolve python=3.8
conda activate scresolve
pip install git+https://github.com/chenhcs/scResolve@main
pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
Run the following command to generate the formatted input.
scresolve convert visium --bc-matrix PATH --image PATH --tissue-positions PATH --scale-factors PATH --mask-file PATH --scale INT --save-path PATH
where each PATH specifies each input file.
For the configuration file, you can download the default one from here. Then use the following command to run super resolution.
scresolve super-resolution CONFIGURATION_FILE --save-path SAVE_PATH
Finally, use the following command to run cell segmentation.
scresolve segmentation CONFIGURATION_FILE --count PATH_TO_SUPER_RESOLUTION_OUTPUT --image PATH_TO_IMAGE_OUTPUT --output_path PATH_TO_SAVE_RESULTS
