作者，Evil Genius
单细胞空间外显子课程这周第四课就结束了，感兴趣的可以联系。
今日参考文献
从多样本空间转录组学(ST)数据中检测和解剖异常组织结构域(DDATD)为表征异常组织结构域(ATDs)提供了前所未有的机会，揭示了群体水平和个体特异性致病因素，从而了解疾病背后的致病异质性。
基于生成对抗网络的创新框架，它集成了多样本DDATD中的三个核心任务:检测、对齐和分型ATDs.
知识积累
- 从多个组织样本中检测和表征生物异质性异常组织域(ATDs)在临床诊断、靶向治疗和生物医学研究中至关重要。这个程序，称之为异常组织结构域的检测和解剖(DDATD)，是对受影响个体的组织进行全面分析的第一步，也是最重要的一步，以揭示与疾病发展相关的群体水平和个体特异性因素(例如，致病细胞类型)。
- 传统上，DDATD依赖于细致的专家视觉检查或应用于组织学图像的计算机视觉算法。
- 与ST中经常遇到的空间聚类任务不同，DDATD侧重于将空间点聚到空间域中，需要进一步将异常cluster与正常cluster隔离开来。现有的空间聚类方法要么无法识别异常cluster(例如，SpaGCN和GraphST)，要么依赖于“专家定义的”异常标记(例如，iStar、TESLA和cell2location中的癌症基因特征)。
- 多样本ST的从头DDATD工作流程包括三个连续的核心任务:检测ATDs，在多个样本中对齐它们，并将它们分类为共享或样本特定类型。
需要处理的问题
1、批量效应会影响异常检测的准确性，因此需要对多样本进行初步的批量校正。
2、空间多样本对齐
3、“正常”参考ST数据集的稀缺性阻碍了DDATD，因为“异常”的定义依赖于与“正常”的比较。
4、缺乏有效的方法来整合来自空间基因表达数据和组织学图像的多模态信号，严重限制了DDATD分析的潜力。
5、将三个连续的任务整合到一个方法上连贯的框架中，而不是简单地将专门为每个任务设计的单个方法结合起来，这对于确保它们的集体有效性至关重要。
结果1、Overview of STANDS
分析示例--乳腺癌分析
分析示例--同时识别跨多个ST数据集的异常组织域
分析示例--交叉参考胰腺scRNA-seq数据识别胰腺癌结构域
分析示例--单个ST数据集中识别生物学上不同的异常组织子域
分析表现
最后看看代码示例，Home - STANDS (catchxu.github.io)。
