1.论文原名：spaCI: deciphering spatial cellular communications through adaptive graph model
2.发表日期：2023
摘要：
细胞间通讯对于生物信号传导至关重要，在复杂疾病中发挥重要作用。空间细胞转录组学（SCST）技术的最新进展允许检查空间细胞通信景观，并有望解开细胞间复杂的配体-受体（L-R）相互作用。然而，由于频繁的脱落事件和噪声信号中的SCST数据，这是具有挑战性的，缺乏有效的和定制的方法来准确地推断蜂窝通信。在这里，破译从SCST配置文件的细胞到细胞的通信，我们提出了一种新的自适应图模型与注意力机制命名为spaCI。spaCI结合了细胞的空间位置和基因表达谱，以识别相邻细胞中的活性L-R信号传导轴。通过与目前可用的方法进行基准测试，spaCI在模拟数据和真实的SCST数据集上均显示出上级性能。此外，spaCI能够鉴定介导活性L-R相互作用的上游转录因子。对于生物学见解，我们将spaCI应用于小鼠皮层的seqFISH+数据和非小细胞肺癌样本的NanoString CosMx空间分子成像仪（SMI）数据。spaCI揭示了稀疏seqFISH+数据中隐藏的L-R相互作用，同时识别了NanoString CosMx SMI数据中成纤维细胞和肿瘤之间不明显的L-R相互作用，包括THBS 1 − ITGB 1。spaCI进一步揭示了SMAD 3在调节成纤维细胞和肿瘤之间的串扰中起重要作用，这有助于肺癌患者的预后。总的来说，spaCI解决了询问SCST数据以深入了解潜在细胞通信的挑战，从而促进了疾病机制，有效生物标志物和治疗靶点的发现。
spaCI框架
spaCI 的目标是从单细胞空间转录组学（SCST）数据中准确推断细胞间的通信网络，特别是配体-受体（L-R）相互作用。它旨在解决 SCST 数据中常见的稀疏性（dropout）和噪声问题，并利用细胞的空间位置信息来提高推断的准确性。
5. 总结
spaCI 是一种结合基因表达和空间信息的自适应图模型，通过注意力机制和三元组损失函数，能够准确推断细胞间的通信网络。它为解析单细胞空间转录组学数据中的细胞间通信提供了一种强大的工具，特别适用于研究复杂的生物系统和疾病机制。
