1、在本节教程中，我们将学习如何通过拟时序分析推断细胞分化轨迹。 slingshot 包可以对单细胞RNA-seq数据进行细胞分化谱系构建和伪时间推断，它利用细胞聚类簇和空间降维信息，以无监督或半监督的方式学习细胞聚类群之间的关系，揭示细胞聚类簇之间的全局结构，并将该结构转换为由一维变量表示的平滑谱系，称之为“伪时间”。
1、此外，DL 模型可以利用多个数据源（例如图像和文本数据）来学习一组任务。鉴于空间分辨的转录组学本质上是多模态的（即它们由图像和基因表达计数数据组成）并且下游分析由多个任务组成（例如聚类和细胞类型检测）， 研究人员一直在寻求开发 ST 特定的 DL 算法。
2、X Genomics提供的空间转录组数据和单细胞数据联合分析主要涉及以下几种主流方法：共表达分析：使用共表达网络分析（WGCNA）或其他相关性分析方法，识别在不同细胞类型或组织区域中共同表达的基因。空间映射和细胞类型注释：使用单细胞数据对空间转录组数据中的细胞进行类型注释。
3、从这个50%的阈值上我们也可以判断10x的这个空间转录组技术还是存在一定缺陷的，它允许接近50%的reads散落在组织以外的区域，说明组织透化这一步想让对应区域的mRNA完全都落入对应spot点里面去还是很难的。
4、Giotto Analyzer 需要一个 基因的细胞计数矩阵和每个细胞质心位置的空间坐标作为最小输入 。
1、可以使用barcoding空间转录组和单细胞数据，算出相邻的以及单个方格内部，一对指定细胞间，是否存在相互通讯的P值和相关系数；Giotto则是根据HPRI或barcoding数据，得出每对不同类型的细胞间相互通讯的分值。
2、通过对约80，000个星形胶质细胞进行单细胞转录组测序，发现炎症引起了广泛的反应，亚型星形胶质细胞经历了不同的炎症转变，并具有明确的转录组特征。利用空间转录组学和原位杂交技术，研究团队将炎症诱导的反应性星形胶质细胞的关键亚状态定位于大脑区域。
3、通过单细胞细胞类型鉴定结果辅助判定空间转录组的细胞类型 空间转录组分辨率达不到单细胞水平，10x 目前一个 spot 捕获 1~10 个细胞，所以如果仅仅通过空间转录组的数据是无法精确判定每个 spot 的主要细胞类型的。 最近Nature Biotechnology 上发表了一个 MIA 算法，可以很好的解决空间数据冗杂的现象。
4、年3月，德克萨斯大学的Nicholas E. Nasvin团队在 Nature Biotechonology 上发表题为“Spatial charting of single-cell transcriptomes in tissues”的研究论文，开发了一种名为CellTrek的计算方法，结合了空间转录组以及单细胞转录组数据集，通过共嵌入和度量学习方法来实现单细胞空间映射。
5、探索胚胎干细胞与微环境之间的相互作用 在胚胎发育研究中，可以通过细胞互作探索发育相关细胞类型之间的相互作用，分析胚胎发育机制。2021年，发表在Cell Research上的一篇文章联合了单细胞和空间转录组数据研究小鼠胎肝（造血干细胞与多能祖细胞）HSCs/MPPs的扩增功能。
1、可以。转录组直接用count数据可以。转录组（transcriptome）广义上指某一生理条件下，细胞内所有转录产物的集合，包括信使RNA、核糖体RNA、转运RNA及非编码RNA；狭义上指所有mRNA的集合。
2、在基因表达研究的世界里，count、FPKM与TPM这三个数字就像是三位神秘的舞者，共同在转录组测序的舞台上翩翩起舞。在探索基因表达的世界中，TCGA数据库为我们提供了count和FPKM这两份珍贵的乐谱，而FPKM和TPM则常常作为我们分析过程中的标准调色板。首先，让我们一起揭开幕后的故事。
3、STAR有一个参数-quantMode，可以指定--quantMode GeneCounts输出STAR计算出的reads计数结果，如果是比对完之后未做转录本拼装，直接对已知基因（构建基因组索引时GTF中囊括的基因）进行定量时，完全不需要再次用featureCounts或HTSeq再计算reads count。以后试试。
