空间联合检测方法

❶ 10X单细胞空间联合分析方法汇总及算法总结

Cell2location 采用分层贝叶斯框架，假设基因表达计数遵循负二项分布。 它首先使用外部 scRNAseq 数据作为参考来估计细胞类型特异性特征。 观察到的空间表达计数矩阵用负二项分布建模，其中基因可用的特定技术敏感性、基因和位置特定的加性偏移作为平均参数的一部分包括在内 。 然后 cell2location 使用变分贝叶斯推理来近似后验分布并相应地产生参数估计 。

使用变分推理 (DestVI) 对空间转录组学剖面进行反卷积是一种用于 ST 数据多分辨率分析的概率方法 。 DestVI 通过连续的潜在变量明确地模拟细胞类型内的变化，而不是将分析限制在细胞类型的离散视图中。这种连续的细胞内类型变化以及相应的细胞类型特定配置文件是通过条件深度生成模型学习的，特别是使用解码器神经网络的变分推理。在该方案中， 分别为 scRNA-seq (scLVM) 和 ST 数据 (stLVM) 构建了两个不同的潜在变量模型 (LVM) 。 DestVI 同样假设观察到的转录本的数量遵循负二项分布。 stLVM 使用由 scLVM 训练的解码器神经网络，并使用最大后验 (MAP) 推理方案获得细胞类型比例，其中假设每个点中观察到的转录本的数量遵循推断的单细胞的加权和负二项分布。

RCTD 最初是为 Slide-seq 数据设计的，但它也可以用于其他 ST 数据。 它假设观察到的每个spot的spot-level基因计数遵循泊松分布，同时通过包含基因特异性随机效应项来解释平台效应 。 RCTD 首先使用外部 scRNA-seq 参考数据来估计每种细胞类型的平均基因表达谱。 然后通过选择跨细胞类型的差异表达 (DE) 基因来执行基因过滤，并估计基因特异性平台效应的方差。 将推断的平台效应插入概率模型以获得细胞类型比例的最大似然估计 (MLE)。

STdeconvolve 是一种针对 ST 数据的无参考和无监督细胞类型反卷积方法 。 STdeconvolve 与其他方法的主要区别在于 STdeconvolve 可以在不使用外部 scRNA-seq 参考的情况下执行细胞类型反卷积。 该方法建立在潜在狄利克雷分配 (LDA) 的基础上，以识别每种细胞类型的推定转录谱及其在每个 ST 点中的比例，其定义为由多项式分布和细胞类型分布建模的预定数量的细胞类型的混合物是从uniform Dirichlet distribution中得出的。 STdeconvolve 假设每种细胞类型都存在高度共表达的基因，并选择显着过度分散的基因来告知潜在细胞类型。

Stereoscope 实现了反卷积目的，同时使用带注释的 scRNA-seq 参考和 ST 数据对细胞类型进行空间映射。 Stereoscope 还依赖于常用的假设， 即空间和单细胞数据的计数均遵循负二项分布 。 Stereoscope 包含一个噪声术语作为“虚拟”细胞类型的一种形式，以解释不对称数据集，其中细胞类型在空间和单细胞数据中没有完美重叠。 MLE 用于使用 scRNA-seq 参考数据估计细胞类型特定参数，MAP 用于推断 ST 数据中的细胞类型混合。

SPOTlight 是一种反卷积算法， 它采用非负矩阵分解 (NMF) 回归算法以及非负最小二乘法 (NNLS) 。 在 SPOTlight 中，执行 NMF 以识别 scRNA-seq 参考中特定于细胞类型的top profile，并执行 NNLS 来识别spot top profile，这是反卷积的结果。 此外，据报道， SPOTlight 在不同的生物场景和具有匹配和外部参考的不同技术版本中执行灵敏且准确 。

DSTG 是一种 基于相似性的半监督图卷积网络 (GCN) 模型，可以恢复每个点的细胞类型比例 。 通过利用 scRNA-seq 数据，DSTG 首先通过随机汇集从 scRNA-seq 数据中选择的 2 到 8 个细胞作为 ST 点，构建称为“伪 ST”的合成 ST 数据。 然后，为了捕捉点之间的相似性并合并伪 ST 和真实 ST 数据， DSTG 通过在典型相关分析 (CCA) 识别的共享空间中找到相互最近的邻居来学习链接图 。 半监督 GCN 使用伪和真实 ST 数据和链接图进行训练，可用于预测真实 ST 数据中的细胞类型比例。

总之，许多功能强大的 ST 反卷积工具已经专门针对 ST 数据集开发和定制。 这些方法在模拟和真实数据集中都证明了它们的实用性。 通过了解 ST 数据中的细胞比例变化以及空间信息进行下游分析，我们可以更好地揭示潜在的生物学机制，并进一步发现使用 scRNA-seq 数据集无法实现的新发现。 然而，目前还没有对这些细胞去卷积方法进行公平和全面的比较。 我们将使用多个真实的 ST 数据集，包括单细胞水平分辨率和带有病理学家注释的点级分辨率 ST 数据，以系统和客观地评估这些方法的性能 。

总而言之， 没有一种方法能够在不同的组织类型中始终优于其他方法 。在研究中测试的大多数概率方法，尤其是 Adroit、RCTD、Cell2Location 和 Stereoscope，在整个组织中都表现出始终如一的高性能。 STdeconvolve 作为唯一的无参考方法，具有识别组织结构和细胞混合物的能力，但必须仔细处理细胞类型映射。彻底评估了各种情况，包括不同的组织、不同的技术和数据分辨率、不同数量的单细胞和斑点，以及用于分析的基因的数量和类型。因此， 建议调查人员首先确定我们评估的一些与他们自己的数据最匹配的情景，并在这些情景下选择表现最佳的方法 。
With the use of the appropriately chosen methods and gene sets, we hope the increased accuracy of cell mapping inference will assist in the future downstream analyses
噪声和高维 ST 数据的去噪和降维可以允许更有效的信息提取。我们预计细胞类型反卷积将进一步受益于有效去噪和减少 ST 数据维度的方法的开发和进步 。

生活很好，有你更好

❷ 空间叠加分析的基础是什么

空间叠加分析的基础是在相同的空间坐标系统下。

空间叠合分析是指在相同的空间坐标系统下，将同一地区两个不同地理特征的空间属性数据叠加，以产生空间区域的多重性特征，或建立地理对象之间的空间对应关系。

在统一空间参照系统条件下，每次将同一地区两个地理对象的图层进行叠合，以产生空间区域的多重属性特征，或建立地理对象之间的空间对应关系。有点与多边形、线与多边形、多边形与多边形的叠合。

使用叠加分析可将多个数据集的特征合并为一个特征。然后，可查找具有某一特定组属性值的特定位置或区域，即与您指定的条件相符合。经常使用此方法查找适于特定用途的位置或容易遭受某种风险的位置。

❸ 空间分析方法

空间分析是对于地理空间现象的定量研究，其常规能力是操纵空间数据使之成为不同的形式，并且提取其潜在的信息。空间分析是GIS的核心。空间分析能力(特别是对空间隐含信息的提取和传输能力)是地理信息系统区别与一般信息系统的主要方面，也是评价一个地理信息系统成功与否的一个主要指标。GIS的空间分析是指以地理事物的空间位置和形态为基础，以地学原理为依托，以空间运算为特征，提取和产生新的空间信息技术和过程，如获取关于空间分布、空间形成及空间演变的信息。
空间信息量算空间信息量算是空间分析的定量化

空间分析基础。空间实体间存在着多种空间关系，包括拓扑、顺序、距离、方位等关系。通过空间关系查询和定位空间实体是地理信息系统不同于一般数据库系统的功能之一。如查询满足下列条件的城市：在京九线的东部， 距离京九线不超过200公里，城市人口大于100万并且居民人均年收入超过1万。整个查询计算涉及了空间顺序方位关系(京九线东部),空间距离关系(距离京九线不超过200公里)，甚至还有属性信息查询(城市人口大于100万并且居民人均年收入超过1万)。空间信息量算包括：质心量算、几何量算、形状量算。
空间信息分类这是GIS功能的重要组成部分。对于线状地物求长度、曲率、方向，对于面状地物求面积、周长、形状、曲率等;求几何体的质心;空间实体间的距离等。

空间分析常用的空间信息分类的数学方法有：主成分分析法、层次分析法、系统聚类分析、判别分析等; r /> 缓冲区分析缓冲区分析是针对点、线、面等地理实体，自动在其周围建立一定宽度范围的缓冲区多边形。邻近度描述了地理空间中两个地物距离相近的程度，其确定是空间分析的一个重要手段。交通沿线或河流沿线的地物有其独特的重要性，公共设施的服务半径，大型水库建设引起的搬迁，铁路、公路以及航运河道对其所穿过区域经济发展的重要性等，均是一个邻近度问题。缓冲区分析是解决邻近度问题的空间分析工具之一。 所谓缓冲区就是地理空间目标的一种影响范围或服务范围。
叠加分析大部分GIS软件是以分层的方式组织地理景观，将地理景观按主题分层提取，同一地区的整个数据层集表达了该地区地理景观的内容。地理信息系统的叠加分析是将有关主题层组成的数据层面，进行叠加产生一个新数据层面的操作，其结果综合了原来两层或多层要素所具有的属性。叠加分析不仅包含空间关系的比较，还包含属性关系的比较。叠加分析可以分为以下几类：视觉信息叠加、点与多边形叠加、线与多边形叠加、多边形叠加、栅格图层叠加。
网络分析对地理网络(如交通网络)、城市基础设施网络(如各种网

空间分析线、电力线、电话线、供排水管线等)进行地理分析和模型化，是地理信息系统中网络分析功能的主要目的。网络分析是运筹学模型中的一个基本模型，它的根本目的是研究、筹划一项网络工程如何安排，并使其运行效果最好，如一定资源的最佳分配，从一地到另一地的运输费用最低等。网络分析包括：路径分析(寻求最佳路径)、地址匹配(实质是对地理位置的查询)以及资源分配。
空间统计分析GIS得以广泛应用的重要技术支撑之一就是空间统计与分析。例如， 在区

空间分析域环境质量现状评价工作中，可将地理信息与大气、土壤、水、噪声等环境要素的监测数据结合在一起，利用GIS软件的空间分析模块，对整个区域的环境质量现状进行客观、全面的评价，以反映出区域中受污染的程度以及空间分布情况。通过叠加分析，可以提取该区域内大气污染分布图、噪声分布图;通过缓冲区分析，可显示污染源影响范围等。可以预见，在构建和谐社会的过程中，GIS和空间分析技术必将发挥越来越广泛和深刻的作用。常用的空间统计分析方法有：常规统计分析、空间自相关分析、回归分析、趋势分析及专家打分模型等。空间自相关(spatial autocorrelation)可用Moran's I，半变异函数，LISA，Gi，SatScan检测;空间分异性(spatial stratified heterogeneity)可用地理探测器q-statistic检验。