CellCharter 能够自动识别空间域，并提供一套用于集群表征和比较的方法。最近用它来做空间邻域分析还挺方便的。
算法流程：
1. 输入数据：包括mRNA或蛋白表达的特征矩阵及细胞/spot的空间坐标。
2. 降维和批次效应校正：利用变分自编码器（VAE）对特征矩阵进行降维，同时校正因技术或批次引起的效应。不同类型的组学数据采用专门设计的VAE模型处理。
3. 构建空间网络：基于空间邻近性为每个细胞/spot构建空间网络。
4. 特征聚合：对每个细胞/spot，将其自身的特征与其l邻域的特征（按距离逐层聚合）进行拼接，生成新的特征向量。
5. 聚类分析：使用高斯混合模型（GMM）对拼接后的特征向量进行聚类。通过Fowlkes-Mallows指数（FMI）评估每种聚类方案的稳定性，选择最稳定的聚类数。
6. 下游分析
• 簇特征：计算每个样本的簇比例及簇中特定细胞类型的富集情况。
• 簇邻域富集分析（Cluster NE）：识别簇之间的空间相邻关系，包括对称和非对称富集关系。
• 簇形态学特征：测量簇的边界、面积、周长、主要和次要轴，计算弯曲度（curl）、拉长度（elongation）、线性度（linearity）和纯度（purity）。
优势：
1. 多样本间的空间域识别：
2. 可扩展性：能够处理包含数百万个细胞和数千个特征的大型数据集。
3. 兼容多种数据类型，包括 空间转录组学、蛋白质组学、表观遗传组学和多组学数据。
4. 最佳空间域数量候选：提供方法基于多次运行结果的稳定性，推荐多个最佳的空间域数量候选值。
5. 提供一系列工具，用于表征和比较空间域，包括域比例、细胞类型富集、（差异）邻域富集和域形状表征等
适用范围：
• 处理大规模空间组学数据（如多样本、多细胞类型）。
• 跨技术平台整合数据（成像 vs. 测序，单模态 vs. 多模态）。
• 研究细胞空间分布、簇的空间关系和形态学特征（如癌症微环境中的细胞群落）。
• 分析不同组织类型或病理条件下的簇分布和交互差异。
后续会分享具体用法！
参考文献：Nature Genetics volume 56, pages74–84 (2024)
标签：富集,组学,邻域,细胞,特征,空间,CellCharter,工具,生态 From： https://blog.csdn.net/qq_43022495/article/details/144660546