jazzPanda: A hybrid approach to find spatial markergenes in imaging-based spatial transcriptomics data

本文介绍了 jazzPanda，这是一种针对成像空间转录组数据的混合分析方法，它通过结合空间坐标的“伪批量”策略和线性模型，有效解决了现有工具忽视空间分布的问题，从而显著提高了细胞类型标记基因检测的特异性与空间相关性。

要点

这篇论文介绍了一个名为 jazzPanda 的新工具，它就像是一位**“空间侦探”，专门用来在复杂的生物组织地图中，找出哪些基因是特定细胞类型的“身份证”（也就是标记基因**）。

为了让你更容易理解，我们可以把这项研究想象成在一个巨大的、拥挤的**“城市社区”**里找规律。

1. 背景：为什么我们需要这个工具？

想象一下，你有一张超级高分辨率的城市地图（这就是空间转录组数据）。这张地图不仅告诉你这里住着什么人（细胞类型），还告诉你每个人具体说了什么话（基因表达），甚至精确到每个人站在街道的哪个坐标点上。

• 以前的做法（单细胞测序）： 就像把城市里所有人抓起来，关进一个大黑屋子，然后问：“你们谁说了什么？”大家混在一起回答。虽然能知道谁说了什么，但完全不知道他们原本住在城市的哪个区。
• 现在的挑战（空间数据）： 我们有了地图，知道每个人站在哪。但是，现在的地图太精细了，每个人说的话（基因检测）非常少，有时候甚至只有一两个字。如果直接拿这些数据去分析，就像试图通过几个零星的单词来推断整个街区的文化，很容易出错，或者被背景噪音（比如路人随便喊的话）干扰。

现有的很多工具，就像是用分析“黑屋子”数据的老办法来处理“地图”数据，忽略了“位置”这个最重要的信息。

2. jazzPanda 的绝招：把城市变成“网格”

jazzPanda 的核心思想非常聪明，它做了一个**“分块打包”**（Binning）的操作。

• 比喻： 想象你的城市地图被切分成了无数个**“六边形或方形的格子”**（就像围棋棋盘或蜂巢）。
• 怎么做： 它不再盯着每一个单独的细胞看，而是看每一个格子里的情况。
  • 它把某个细胞类型（比如“警察”）在格子里的数量加起来。
  • 它把某个基因（比如“警笛声”）在格子里出现的次数加起来。
• 结果： 原本稀疏、零散的数据，现在变成了一个个**“打包好的数据块”**。这就好比把散落在地上的珍珠，按区域装进了一个个盒子里，这样统计起来就更有力量，也更清晰了。

3. 它是怎么工作的？（两种侦探方法）

jazzPanda 提供了两种方法来找出谁是真正的“身份证持有者”：

方法一：找“最佳拍档”（相关性分析）

• 比喻： 侦探拿着“警察分布图”和“警笛声分布图”叠在一起看。
• 逻辑： 如果“警笛声”出现的地方，几乎总是“警察”出现的地方，那这两个图就高度重合（相关性高）。
• 结论： 这个“警笛声”基因就是“警察”细胞的完美标记。
• 缺点： 这种方法很难处理复杂的干扰因素（比如不同样本之间的差异）。

方法二：数学建模（线性模型 + 去噪）—— 这是更厉害的一招

• 比喻： 侦探不仅看地图，还带了一个**“过滤器”**。
• 逻辑： 它建立一个数学模型，试图用“警察分布”、“医生分布”、“老师分布”等所有已知群体的地图，来解释“警笛声”的分布。
• 关键创新（去噪）： 城市里总有杂音（背景噪音，比如风吹树叶的声音，或者仪器本身的误差）。jazzPanda 专门引入了**“负面对照”**（就像在实验里放一些假信号）作为“杂音过滤器”。
• 结论： 如果“警笛声”的分布能被“警察”完美解释，而且排除了杂音的干扰，那它才是真正的标记基因。如果它只是和杂音有关，就会被直接过滤掉。

4. 为什么它比旧方法好？

• 更精准（特异性高）： 旧方法（像传统的统计测试）往往会列出长长的名单，说“这个基因可能是警察，也可能是医生，还可能是路人”，名单太长，让人晕头转向。jazzPanda 通过考虑空间位置，只挑出那些**真正和特定细胞“形影不离”**的基因。
• 抗干扰能力强： 它能识别并剔除实验中的“背景噪音”，避免把假信号当成真发现。
• 适应复杂情况： 它能同时处理多个样本（比如来自不同病人的多个地图），找出大家共有的规律。

5. 实际效果如何？

作者用这个工具测试了多种高科技成像设备（Xenium, CosMx, MERSCOPE）产生的数据，包括人类肝脏、乳腺癌和老鼠大脑。

• 例子： 在肝脏样本中，它成功找到了“星状细胞”的标记基因 IGFBP7。当你把基因分布图和细胞分布图叠在一起看时，它们几乎完美重合，就像两幅拼图严丝合缝。
• 对比： 和传统的“威尔科克森秩和检验”（Seurat 等软件常用方法）相比，jazzPanda 找出的基因更少，但更准，而且这些基因在空间上的分布逻辑性更强。

总结

jazzPanda 就像是一个拥有“空间透视眼”的超级侦探。它不再把细胞当作孤立的个体，而是把它们放在整个组织的“社区地图”中，通过**“网格打包”和“智能去噪”**，精准地找出那些真正代表特定细胞身份的基因。

这让科学家能更清楚地理解：在身体的这个角落，到底住着什么样的细胞，它们在做什么，以及它们是如何与邻居互动的。这对于研究癌症、大脑发育等复杂疾病至关重要。

这个工具已经作为一个免费的软件包（R Bioconductor 包）发布，任何人都可以使用它来探索自己的生物数据。

技术摘要

jazzPanda 技术总结

1. 研究背景与问题 (Problem)

背景：
空间转录组学（Spatial Transcriptomics）技术（如 Xenium, CosMx, MERSCOPE 等基于成像的技术）能够揭示组织的空间架构和细胞邻域关系。在这些数据的分析流程中，细胞类型鉴定（Cell Type Identification）是关键步骤，通常依赖于识别每个细胞簇（Cluster）的标记基因（Marker Genes）。

现有挑战：

• 空间信息缺失： 目前大多数标记基因检测工具（如 Seurat 的 FindMarkers）是为单细胞 RNA 测序（scRNA-seq）设计的，它们忽略了基因表达的空间分布信息，仅基于转录丰度进行统计检验。
• 数据稀疏性： 基于成像的空间转录组数据通常具有极高的分辨率（亚细胞级），但每个细胞中每个基因的转录本计数非常低（通常为 0、1 或 2），导致直接应用传统统计方法时，大量基因被错误地判定为显著，且难以控制假阳性率。
• 缺乏空间特异性方法： 现有的空间分析方法（如 saSpatial, C-SIDE）要么过于依赖特定的分解框架，要么难以灵活处理多样本实验设计、批次效应及背景噪声（非特异性结合）。
• 核心痛点： 如何定义并检测出既在转录水平高表达，又在空间位置上与特定细胞簇高度重合的标记基因？

2. 方法论 (Methodology)

作者提出了 jazzPanda，一种混合方法，旨在通过利用基因检测和细胞的空间坐标来优先排序标记基因。其核心流程如下：

2.1 空间分箱（Binning）与伪聚合（Pseudobulking）

• 网格化： 将组织样本的空间坐标离散化为二维网格（Tile），形状可以是矩形、正方形或六边形。
• 向量构建：
  • 基因向量 ($g_i$)： 统计每个网格单元内特定基因的所有转录本检测总数（无论是否分配给特定细胞）。
  • 簇向量 ($x_j$)： 统计每个网格单元内属于特定细胞簇的细胞数量。
• 优势： 这种“伪聚合”策略将稀疏的单细胞/单转录本数据转化为更稳健的网格计数数据，增强了统计效力，同时保留了空间分布特征。

2.2 两种标记基因检测策略

jazzPanda 提供两种基于上述空间向量的分析途径：

策略 A：基于置换的皮尔逊相关性分析 (Correlation Approach)

• 原理： 计算基因向量与目标簇向量之间的皮尔逊相关系数。
• 显著性检验： 通过置换检验（Permutation test，随机打乱细胞标签）生成零分布，计算观察到的相关系数的 P 值。
• 局限： 难以直接纳入多变量协变量（如样本批次、背景噪声）。

策略 B：广义线性建模 (Generalised Linear Modelling, GLM)

• 原理： 将基因向量作为响应变量，簇向量作为预测变量，构建线性模型。
• Lasso 正则化： 首先使用 Lasso 回归筛选出与目标基因最相关的 $k$ 个簇，以处理高维数据并防止过拟合。
• 协变量整合： 在最终模型中引入关键协变量：
  • 样本向量 ($S$)： 处理多样本实验设计，识别跨样本共享的标记基因。
  • 背景噪声向量 ($f$)： 利用平台提供的阴性对照（如 Xenium 的负向探针/密码子，CosMx 的 falsecode，MERSCOPE 的空白基因）构建背景向量，作为协变量纳入模型，以校正非特异性结合。
• 输出： 根据模型系数和 P 值，确定基因最显著关联的簇。

2.3 扩展分析

该框架还可用于计算簇 - 簇相关性（评估细胞类型的空间共定位）和基因 - 基因相关性（识别空间共表达基因）。

3. 关键贡献 (Key Contributions)

1. 首个针对成像式空间转录组的专用标记基因工具： jazzPanda 是专门为解决基于成像的空间数据稀疏性和空间分布特性而设计的 R Bioconductor 包。
2. 混合方法创新： 结合了空间分箱（Pseudobulking）和统计建模（相关性 + 线性模型），有效平衡了统计效力和空间特异性。
3. 背景噪声校正机制： 创新性地将平台特定的阴性对照数据转化为空间协变量纳入线性模型，显著降低了假阳性率（FDR）。
4. 多样本与批次处理能力： 通过线性建模框架，能够同时处理多个生物重复样本，识别共享标记基因，这是传统单细胞方法难以做到的。
5. 开源与可复现性： 提供了完整的 R 包、分析工作流代码及多个公开数据集的验证结果。

4. 实验结果 (Results)

作者在六个公开数据集（来自 Xenium, CosMx, MERSCOPE 三种平台）上验证了 jazzPanda：

• 生物学合理性：
  • 在 CosMx 人肝样本中，成功识别出星状细胞（Stellate cells）的特异性标记基因 IGFBP7，其空间分布与星状细胞簇高度重合（相关系数 $\rho = 0.904$）。
  • 在 Xenium 乳腺癌样本中，识别出 T 细胞标记基因 IL7R，并在两个生物重复样本中均显示出高度一致的空间相关性。
  • 检测到的标记基因均与已知的生物学知识高度一致（如肝癌中的 NDUFA4L2, VEGFA 等）。
• 与现有方法对比：
  • 特异性更高： 相比于 Seurat 的 Wilcoxon 秩和检验和 limma 的 moderated t-test，jazzPanda 识别出的标记基因数量更少（更精简），但空间相关性（Spatial Correlation）显著更高。传统方法往往列出大量基因，其中许多缺乏空间特异性。
  • 假阳性控制： 模拟实验表明，在引入背景噪声向量后，jazzPanda-glm 能有效将随机分布的基因归类为背景，从而控制 FDR。
• 鲁棒性：
  • 对网格大小（Tile size）和形状（正方形 vs 六边形）不敏感。只要网格大小使得每个簇的平均细胞数大于 1，结果即保持稳定。
• 计算性能：
  • 虽然构建空间向量是耗时步骤（取决于转录本数量），但一旦完成，线性建模步骤非常快。
  • 在大规模数据集（如 MERSCOPE 乳腺癌，约 65 万个细胞）上，jazzPanda-glm 可在 30 分钟内完成（使用并行计算），内存消耗在可接受范围内（约 8-30 GB）。

5. 意义与结论 (Significance)

• 提升细胞类型注释的准确性： 通过强制要求标记基因在空间上与细胞簇重合，jazzPanda 提供了比传统转录丰度分析更可靠的细胞类型注释依据，简化了下游分析。
• 推动空间数据分析标准化： 填补了成像式空间转录组数据在标记基因检测领域的工具空白，提供了一种能够处理背景噪声和多样本设计的标准化工具。
• 框架扩展性： 其基于空间向量的统计框架不仅限于标记基因检测，还可扩展至空间共定位分析、配体 - 受体互作分析以及加权基因共表达网络分析（WGCNA）的空间版本。

总结： jazzPanda 通过引入空间分箱和线性建模，成功解决了成像式空间转录组数据稀疏且背景噪声高的问题，提供了一种高特异性、可解释性强且能处理复杂实验设计的标记基因检测方案。