2022年3月21日，德克萨斯大学 MD Anderson癌症研究中心的Nicholas E. Navin团队在Nature Biotechnology上发表了文章Spatial charting of single-cell transcriptomes in  tissues，开发了一种新的计算方法 CellTrek，它可以结合单细胞和空间转录组数据来准确地定位组织内单个细胞的位置，并构建空间细胞图谱。该工具可以为癌症进化和肿瘤微环境以及许多其他组织类型提供独特的生物学见解。研究人员使用模拟和原位杂交数据测试验证了 CellTrek 的准确性和稳健性，并使用该方法成功重建了小鼠大脑和肾脏组织细胞的空间分布特征。在两个乳腺导管原位癌（DCIS）的组织样本上，研究人员揭示了肿瘤亚克隆结构的空间异质性和肿瘤免疫微环境。

单细胞 RNA 测序 (scRNA-seq) 可分析不同细胞的基因表达。然而，这种方法在组织解离步骤中丢失了对于理解细胞微环境和细胞间相互作用至关重要的空间信息。包括空间转录组学 (Spatial transcriptomics, ST) 在内的空间测序方法，虽然可以在空间上分析组织切片中的基因表达，但它们的检测目标是包含了多个细胞混合的小区域，并不能轻易地提供单细胞信息。当前常用的计算方法，称为空间反卷积技术(deconvolution)，可以识别 ST 数据中存在的不同细胞类型，但它们无法在单细胞水平上提供更为详细的信息。

因此，Dr. Nicholas Navin 实验室的共同第一作者卫润民博士和何思源共同开发了CellTrek计算工具，该工具可以结合 scRNA-seq 和 ST 测序的独特优势创建准确的组织空间细胞图谱。研究人员还开发了两个下游分析模块 SColoc 和 SCoexp，它们可以根据CellTrek的结果总结细胞共定位图并检测空间共表达模式。CellTrek 目前是 GitHub 上的一个开源 R 包：https://github.com/navinlabcode/CellTrek。

研究人员首先在模拟数据和原位杂交数据上测试了CellTrek的准确性，以及不同实验条件下的稳定性和重现性。随后，他们将CellTrek应用在公开的小鼠大脑和肾脏组织的scRNA-seq 和 ST 数据集上， 重构了大脑和肾脏的细胞空间分布，并达到了准确和高粒度的空间分辨率。CellTrek 方法还能够区分同一细胞类型内的细微基因表达差异，并捕获它们在样本中的空间异质性信息。

Navin实验室的研究人员还对两个DCIS 乳腺癌组织进行了配对 scRNA-seq 和 ST Visium实验，并应用 CellTrek 研究肿瘤异质性和微环境。在对来自单个 DCIS 样本的 6,800 个单细胞和 1,500 个 ST 区域进行分析时，研究小组观察到不同的肿瘤细胞亚群在肿瘤的特定区域内以独特的空间模式进化。对另外一个 DCIS 样本采用CellTrek分析重建了肿瘤组织的空间免疫微环境，包括了三级淋巴结构（Tertiary lymphoid structure，TLS）和T细胞耗竭（T-cell exhasution）。随后，研究小组采用RNAScope，在更多的DCIS样本中进一步验证了这些发现。CellTrek还可以被应用于其他空间转录技术的数据（比如Slide-seq）上。

总而言之，随着scRNA-seq 和 ST的实验被越来越多地应用于相同类型的组织样本中，CellTrek为在原位空间环境中进行基础生物学和人类疾病的相关研究提供了新的思路。

原文链接：

https://doi.org/10.1038/s41587-022-01233-1