细胞空间定位(cell2location)：基于单细胞与空间转录组学的组织细胞结构全面映射

项目介绍

细胞空间定位（cell2location） 是一个基于贝叶斯模型的开源工具，旨在高灵敏度和分辨率下解析空间转录组数据中的精细细胞类型，并构建多样组织的综合细胞图谱。该模型考虑了技术性变异源并跨位置借用统计强度，支持单细胞转录组与空间转录组数据的集成，超越现有工具的表现。开发者需引用其论文 Kleshchevnikov et al., Nat Biotechnol, 2022，以承认其贡献。

项目快速启动

环境配置

首先，创建一个名为 cell2loc_env 的专用 Conda 环境，并安装必要的依赖：

conda create -y -n cell2loc_env python=3.9
conda activate cell2loc_env
pip install cell2location[tutorials]

然后，为了在 Jupyter Notebook 中使用这个环境，添加一个新的内核：

python -m ipykernel install --user --name=cell2loc_env --display-name='环境 (cell2loc_env)'

如果不需要 Conda，先安装 Miniconda 并遵循类似的步骤。

快速启动代码示例

对于具体的使用流程，参考其官方教程或运行以下命令尝试在 Google Colab 上的教程：

[![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://cell2location.readthedocs.io/en/latest/)

应用案例和最佳实践

在分析人类淋巴结等复杂组织时，cell2location 显示出了强大的能力，能够将细胞类型映射到 Visium 数据上。通过整合单细胞转录组得到的细胞类型参照标志物与空间转录组数据，cell2location 分解空间位置上的多细胞RNA计数矩阵，建立详细的细胞类型空间分布。最佳实践中，应特别注意调整N_cells_per_location和detection_alpha这两个超参数来适应不同的技术变异性。

典型生态项目

cell2location 作为一个核心组件，可以与其他生物信息学工具如 scVI-tools 和 Visium 数据分析紧密合作。它设计上具有通用性，利用Pyro和scVI-tools框架，不仅可以用于空间映射，还可以估计细胞类型的参照特征及后续数据分析。社区在 scverse discourse 上活跃，为用户提供了一个交流经验、分享案例和实践操作的最佳平台。在开发新模型或进行扩展时，用户可探索如何结合细胞类型层次信息或利用新的技术特性，如【CAR】空间接近度建模，进一步增强分析能力。

---

此文档提供了一个关于如何开始使用 cell2location 的简要指南，深入学习和高级功能请参考其详细文档和社区资源。