这篇论文主要介绍了一种名为"Robust mapping of spatiotemporal trajectories and cell-cell interactions in healthy and diseased tissues"的新方法，该方法能够在健康和疾病组织中对细胞过程进行可靠的映射，同时研究细胞间的相互作用。
在生物组织中，细胞类型、局部组成和状态、分布模式以及细胞间的相互作用是驱动组织发育、稳态、修复和对环境信号的响应的重要因素。然而，现有的细胞类型和状态的知识常常缺乏关键的上下文信息，即它们在健康或疾病状态下如何共存、相互作用和通信。空间转录组学（Spatial transcriptomics，ST）是一种能够在不需要组织解离的情况下以无偏见的方式对转录组进行全面分析的技术，因此保留了空间信息。然而，对这种复杂数据进行分析的方法在实验进展之后仍然滞后，并且大多仍处于早期发展阶段。
这篇论文提出了一个名为stLearn的综合快速的软件工具，通过三个计算-统计算法的集成，能够解决ST数据分析中的三个主要问题：（1）构建时空轨迹，（2）研究细胞间相互作用，（3）提高空间数据质量。stLearn的算法能够灵活地整合基因表达、组织形态学和物理距离等多种类型的ST数据，以有效利用所有维度的信息。它能够分析各种类型的空间转录组学数据，并且不需要组织图像信息。stLearn的算法在多个标准上相比现有方法具有更高的准确性，并且具有一些尚不可用的分析能力。
该框架的三个主要算法分别是：
1. 伪时空（pseudo-time-space，PSTS）算法：用于重构组织中的时空细胞轨迹，揭示细胞状态的变化。它能够跟踪细胞在组织中的伪时序模式，帮助理解细胞的动态变化过程。
2. 空间约束的双层排列（spatially-constrained two-level permutation，SCTP）检验：用于研究细胞间的相互作用。它能够找到成千上万个配体-受体对之间高度互动的组织区域，并大大降低错误发现率。
3. 基于空间图的神经网络插补方法（spatial graph-based imputation method with neural network，stSME）：用于修正技术噪声/缺失并提高ST数据覆盖率。它能够校正技术噪声和缺失数据，从而更准确地揭示基因表达模式。
这些算法的应用范围广泛，作者在多个生物系统中进行了广泛的测试和验证。通过该框架，研究人员能够更好地理解健康和疾病组织中的生物过程。
标签：spatiotemporal,组织,能够,tissues,细胞,ST,cell,算法 From： https://www.cnblogs.com/liujunxi/p/18146709