北京大学与清华大学合作，研究建立了一种单细胞/寡细胞转录组数据从头空间重构算法——De Novo Coalescent Embedding（D-CE）。利用细胞-细胞转录相关网络的非线性嵌入方法，从头重构了单细胞转录组数据在空间中的位置信息。基于这一空间重构结果，成功实现对应于组织空间特异性基因和空间域的识别。
      研究利用细胞-细胞转录相关网络的非线性嵌入方法，成功重构了单细胞转录组数据在空间中的位置信息。这一重构过程不需使用空间结构模板或空间特征基因表达模式等先验信息，便实现了对转录组数据空间结构的可靠重构。
      为使得重构出的空间结构更符合目标组织的真实形状，研究通过最优传输理论设计了空间模板拟合步骤。该步骤可以根据目标组织的空间形状模板和模板上的空间特征基因表达信息，对D-CE重构的结构进行优化，从而获得更贴合于目标组织结构的空间重构结果。
      为验证空间重构方法的有效性，研究使用来自人类、小鼠、果蝇和斑马鱼等多个不同物种的组织转录组数据，重构了对应组织的空间基因表达模式。同时，以已知样本空间域标签或对应组织空间特征基因表达特征为金标准，设计了指标来衡量空间重构的性能。结果表明，D-CE算法在空间重构上具有良好效果，其性能优于目前已知的从头空间重构算法（novoSpaRc和CSOmap）和转录组分析中常用的降维可视化方法。
      D-CE算法还准确重建了寡聚细胞和单细胞的空间结构，识别了许多在空间形态建成过程中先前未被重视或未被充分关注的调节因子，例如氧、细胞外基质和紧密连接梯度。这些梯度引导了许多生物过程的模式形成，包括但不限于胚胎和组织发育、再生以及癌症形成。为验证D-CE算法能否准确识别空间特征基因，研究使用全胚胎原位杂交实验，在小鼠胚胎数据中识别的空间特征基因进行了验证。结果表明，D-CE算法成功识别了具有较强空间特异性表达的空间特征基因。（信息来源：生物世界）