10X单细胞空间联合分析之十一（CellTrek）

单细胞 RNA 测序 (scRNA-seq) 方法可以分析单细胞的转录组，但不能保留空间信息。 相反，空间转录组学 (ST) 分析可以描绘组织切片中的空间区域，但没有单细胞基因组分辨率。 在这里，作者开发了一种称为 CellTrek 的计算方法，它结合了这两个数据集来实现单细胞空间映射。 测试使用模拟研究和两个原位数据集对 CellTrek 进行了基准测试。 然后，应用 CellTrek 从正常小鼠大脑和肾脏组织的现有数据集中重建细胞空间结构。 分析还对两个导管原位癌 (DCIS) 组织进行了 scRNA-seq 和 ST 实验，并应用 CellTrek 来识别仅限于不同导管的肿瘤亚克隆，以及与肿瘤区域相邻的特定 T 细胞状态。 数据表明，CellTrek 可以准确地绘制不同组织类型中的单个细胞，以解析它们的空间组织。

单细胞 RNA 测序 (scRNA-seq) 方法极大地扩展了我们对不同细胞类型的基因表达程序及其在发育和疾病中的作用的理解。然而，scRNA-seq 在组织解离步骤中固有地丢失了细胞空间信息， 这对于理解细胞微环境和细胞间相互作用至关重要 。虽然空间测序方法，包括空间转录组学 (ST) 和 Slide-seq，可以在空间上描绘跨组织切片的基因表达，但它们仅限于测量具有细胞混合物的小区域，并且不能轻易提供单细胞信息。为了解决这个问题，已经设计了计算方法（例如， cell2location 、 RCTD ）来将 ST spot解卷积为不同细胞类型的比例。然而，空间去卷积方法仅限于推断每个spot的细胞类型比例，无法实现单细胞分辨率。此外，去卷积方法将细胞类型进一步解析为反映不同生物学功能的更细粒度的“细胞状态”（表达程序）的能力有限。 最后，大多数反卷积方法只能预测分类标签，而不能以空间分辨率推断连续的细胞信息（例如，谱系轨迹、基因特征、连续表型） 。

在这里，作者开发了 CellTrek，这是一种计算工具包，可以根据 scRNA-seq 和 ST 数据将单个细胞直接映射回组织切片中的空间坐标。 这种方法提供了一种不同于 ST 反卷积的新模式，能够更灵活、更直接地研究具有空间地形的单细胞数据。 CellTrek 工具包还提供了两个下游分析模块，包括用于 空间共定位分析 的 SColoc 和用于空间 共表达分析 的 SCoexp。 使用模拟和原位数据集对 CellTrek 进行了基准测试。 然后，将 CellTrek 应用于来自正常小鼠大脑和肾脏组织的现有数据集以及从两个人类导管原位癌 (DCIS) 样本生成的数据，以研究单细胞空间分辨率下细胞类型/状态的组织。

CellTrek 首先将 ST 和 scRNA-seq 数据集成并共嵌入到共享特征空间中

CellTrek 使用 ST 数据训练multivariate random forests (RF) model，以使用共享降维特征预测空间坐标。 引入了对 ST 数据的空间非线性插值以增加空间分辨率。 然后将训练后的模型应用于共嵌入数据以导出 RF 距离矩阵，该矩阵测量 ST spot和由空间坐标监督的单个细胞之间的表达相似性。 基于 RF 距离矩阵，CellTrek 在阈值化后使用相互最近邻 (MNN) 生成稀疏spot细胞图。 最后，CellTrek 从相邻spot传输细胞的空间坐标。 为了提高兼容性，CellTrek 可以接受从其他方法（例如 novoSpaRc）计算的任何细胞位置概率/距离矩阵作为细胞空间图表的输入。 此外，提供了一个图形用户界面 (GUI)，用于对结果 CellTrek map进行交互式可视化。

为了概括不同细胞类型之间的空间关系，开发了一个下游计算模块 SColoc，它将 CellTrek 结果汇总为图形抽象

提供了三种方法，即 Kullback-Leibler 散度 (KL)、Delaunay 三角测量 (DT) 和 K-最近邻距离 (KD)，用于计算细胞类型之间的空间差异。 基于相异度矩阵，SColoc 可以构造一个最小生成树 (MST)，表示简化的空间细胞邻近度。 上述步骤将在引导样本上迭代执行以生成共识矩阵（在差异或 MST 上）。 此后，图形将通过具有可调边缘阈值和颜色映射功能的 GUI 呈现。 此外，SColoc 提供了一个 Kdistance 度量，用于测量细胞到选定参考组的空间距离。

为了研究不同的表达程序是否分布在不同的地形区域，作者开发了 SCoexp，它利用 CellTrek 坐标来检测目标细胞内的共表达基因模块。

首先，SCoexp 根据它们的空间距离计算空间核权重矩阵。 使用这个权重矩阵，SCoexp 计算空间加权基因共表达矩阵。 此后，SCoexp 利用共识聚类 (CC) 或加权相关网络分析 (WGCNA) 来识别基因模块。 对于识别的模块，我们可以计算模块分数并investigate它们的空间组织。

为了对 CellTrek 的性能进行基准测试，利用了三个空间数据集，1) 具有自定义空间模式的模拟 scRNA-seq 数据集

生成了三个相应的 ST 数据集，每个spot聚合了五个空间最近的细胞

将 CellTrek 应用于 scRNA-seq 和 ST 数据以重建它们的空间细胞图。 然后，将CellTrek 与另外两种细胞制图方法进行了比较：1) NVSP-CellTrek，它使用基于参考的 novoSpaRc（一种空间重建方法）来计算细胞空间概率矩阵，然后利用 CellTrek 生成空间图，以及 2) Seurat coordinate transfer (SrtCT) which uses the data transfer approach to transfer ST coordinates to single cells。 CellTrek 和 NVSP-CellTrek 都重建了模拟数据的原始空间格局，而 SrtCT 只重建了细胞之间的粗略空间关系，不能准确地映射细胞

与 NVSP-CellTrek 相比，CellTrek 以更高的空间密度绘制了更多的细胞。 为了定量评估这些方法，我们使用 KL 散度将细胞绘图结果的空间密度与不同细胞类型的原始空间分布进行了比较。 CellTrek 和 NVSPCellTrek 均以低 KL 散度实现了良好的性能，而 SrtCT 与参考分布的差异要大得多

在果蝇胚胎数据中，CellTrek 准确重建了原始空间布局，三种方法中 KLdivergences 最低

在 CellTrek 结果中进一步研究了几种已知的果蝇胚胎发生基因，并发现了与先前研究一致的空间模式

在小鼠胚胎数据中，我们发现 CellTrek 和 NVSP-CellTrek 准确地重建了原始空间结构，而 CellTrek 在第 5、9 和 17 组中显示出略高的 KL-divergences

为了研究 CellTrek 是否可以揭示小鼠胚胎发育的空间模式，我们选择了一组肠管细胞，发现一些标记基因与之前的研究存在空间一致性

接下来评估了 CellTrek 在三种不同模拟设置下对模拟数据的性能：1)read counts，2) 空间随机性，以及 3) 组织密度。 我们使用 KL 散度和 Pearson 相关性在 CellTrek 地图和参考之间的细胞空间坐标上评估 CellTrek 性能。 在三个模拟中（每个模拟有八个条件），与置换测试相比，CellTrek 实现了良好的空间重建性能，并显示出更低的 KL 散度和更高的相关性。 然而，增加空间随机性会影响 CellTrek 的性能并降低统计显著性，同时减少read counts或spot/cell密度将导致稀疏的细胞图。 总体而言，该数据表明 CellTrek 是一种在不同实验条件下进行单细胞空间映射的稳健方法。

将 CellTrek 应用于公共小鼠大脑 scRNA-seq (Smart-seq2)和 ST 数据集（Visium，10X Genomics）。 我们将 CellTrek 与 NVSP-CellTrek 和 SrtCT 方法进行了比较。 CellTrek 按照 L2/3 端脑内 (IT)、L4、L5 IT、L6 IT、L6 皮质丘脑 (CT) 和 L6b 的顺序重建了层流兴奋性神经元亚型的清晰层结构，与大脑皮层结构相匹配。 NVSP-CellTrek 显示出类似的空间层趋势，从而证明了 CellTrek 方法的灵活性和一致性。 然而，NVSP-CellTrek 在某些区域导致了稀疏的细胞映射。 SrtCT 未能准确地将细胞位置投影到组织学图像上。 然后我们使用 Seurat 标签转移 (SrtLT) 来预测每种细胞类型的空间分布作为我们的参考。 细胞制图结果与参考文献之间的 KL 散度表明 CellTrek 成功地恢复了空间细胞结构，并且在三种方法中具有最低的 KL 散度

接下来，验证 CellTrek 是否可以进一步揭示同一细胞类型内细胞状态的拓扑模式。 例如，L5 IT 细胞包含五种表达状态，并在 UMAP 上以 Hsd11b1-Endou、Whrn-Tox2、Batf3、Col6a1-Fezf2 和 Col27a1 的顺序显示出连续趋势。 L5 IT CellTrek map发现了一个精炼的子层架构，这与之前的研究一致。 为了总结细胞空间共定位，我们使用基于 KL 的 MST 共识图将 SColoc 应用于 CellTrek 结果。 谷氨酸能神经元细胞类型按层结构的顺序构建了图形的线性主干。 到 L2/3 IT 细胞的空间 K 距离在图表的相同顺序中显示出显著增加的趋势（Spearman's rho = 091，P < 22e-16）

然后，使用 SCoexp 研究了基因如何在 L5 IT 细胞中空间共表达。 鉴定了两个共表达模块（K1、K2）并显示出不同的生物学功能富集。 K1 模块在细胞状态 Hsd11b1-Endou、Whrn-Tox2 中高度活跃并在空间上位于外层，而 K2 模块在 Col27a1、Col6a1-Fezf2 和 Batf3 中高度活跃，主要位于内层。 这些结果表明 SCoexp 能够识别相同细胞类型内的细微转录差异并推断它们的拓扑异质性。

还将 CellTrek 应用于来自小鼠海马体的 Slide-seq v230 和 scRNA-seq 数据 。 Slide-seq 数据的无监督聚类确定了 12 个具有高度组织空间结构的聚类 (G01-G12)。 CellTrek 将单个细胞映射到它们的空间位置，这与 Slide-seq 集群一致。 值得注意的是，G06 与 Cornu Ammonis (CA) 区域匹配，而 CellTrek 揭示了 CA1、CA2 和 CA3 主细胞的顺序映射，这些主细胞无法单独通过 Slide-seq 聚类解决。 这些结果表明 CellTrek 可以广泛应用于不同的空间基因组平台，以实现更精细的空间细胞分辨率。

将 CellTrek 应用于公共小鼠肾脏数据 32 并将其与 NVSP-CellTrek 和 SrtCT 进行比较。 CellTrek 使用位于不同组织学区域（例如，皮质、外髓质和内髓质）的不同细胞类型准确重建了细胞空间结构。与 CellTrek 相比，NVSP-CellTrek 显示出相似的空间模式，而 SrtCT 无法重建小鼠肾细胞的准确空间组织。使用 SrtLT 作为参考，CellTrek 和 NVSP-CellTrek 都实现了整体低 KL 散度，NVSP-CellTrek 显示出更高的 VSMC 和 RenaCorp 细胞的 KL 散度。 SrtCT 显示与参考分布的最高 KL 散度。为了进一步研究空间细胞表达动态，我们分别推断了 ProxTub 和 DistTub 细胞的轨迹，并基于 CellTrek 对它们的伪时间进行了空间映射。对于 ProxTub 细胞，我们观察到从皮层外部到内部的连续空间轨迹。 ProxTub 细胞的这种连续解剖变化与之前的研究一致。同样，DistTub 细胞也显示出具有清晰空间模式的连续轨迹。总的来说，这些结果表明 CellTrek 可以解决组织中单细胞连续表达程序的拓扑排列。

接下来使用 SColoc 总结了一个细胞空间图。 ProxTub 细胞被确定为枢纽并连接到 RenaCorp、DistTub 和其他细胞类型。共识热图和层次聚类显示出与图抽象相似的模式。由于 scRNA-seq 数据是从小鼠肾脏的不同区域显微解剖中收集的，我们询问 CellTrek 是否可以在没有先验知识的情况下重述实验区域信息。根据 CellTrek 结果，我们计算了 TLLH、DistTub 和 Prin 细胞到中心区域的一组细胞的 K 距离。观察到一致的趋势是 Kdistances 从皮质到外髓质，然后到内髓质，这表明 CellTrek 成功揭示了小鼠肾脏的带状结构。此外，在 DistTub 细胞中，我们使用 SCoexp 确定了两个不同的空间共表达模块（K1 和 K2）。 K1 模块富含代谢途径、肾系统发育，并与一些远曲小管 (DCT) 基因高度相关。相比之下，K2 富含细胞基质途径、嘌呤代谢途径，并与远端直管 (DST) 经典基因相关。这两个模块在 UMAP 和 CellTrek 地图上显示了不同的模式。 K1在皮质区高度活跃，而K2在髓质区活跃，这与DCT和DST的解剖定位一致

进一步query CellTrek 是否可以通过利用空间信息来提高我们对细胞间通讯的理解。 我们使用 CellChat 对 scRNA-seq 数据进行了细胞-细胞相互作用分析，并使用 SColoc 图通过假设共定位的细胞将有更高的机会相互作用来过滤细胞-细胞对。 与原始 CellChat 结果相比，预测了所有细胞类型之间的许多非特异性相互作用，空间过滤提供了一组更简洁、更具体的减少的相互作用。 重要的是，分析确定了之前报道过的几种相互作用，包括 ProxTub 表达的 Vegfa 与其受体 Flt1 和 Kdr 相互作用，后者由 Vasc 表达

将 3' scRNA-seq（10X 基因组学）和 ST（Visium，10X 基因组学）应用于 DCIS 样本 (DCIS1)，以分析 6,828 个单细胞和 1,567 个 ST spot。 对于 scRNA-seq 数据，聚类和差异表达 (DE) 分析确定了 5 种主要细胞类型，包括上皮细胞、内皮细胞、成纤维细胞、髓细胞和自然杀伤 (NK)/T 细胞

应用 CopyKAT 从 scRNA-seq 数据推断拷贝数分布。在所有肿瘤细胞中观察到一些克隆拷贝数改变 (CNA)，包括染色体 3q (PIK3CA)、8q (MYC) 和 19p (STK11) 的增加以及染色体 8p (PPP2R2A)、10q (PTEN) 和 14q 的丢失。 AKT1)。 CNA 谱的 UMAP 和 dbscan 聚类确定了三个主要肿瘤亚克隆 (clone1-3) 具有一些不同的改变，包括克隆 2 和克隆 3 中的 17q (ERBB2) 增益和 11q (ATM) 丢失，克隆 2 中的 1q（MDM4 和 EPHX1）增益和克隆 3 中的 6q (FOXO3) 丢失。基于共有的 CNA 谱，我们构建了一个系统发育树，显示克隆 1 是较早的亚克隆，与主要谱系不同，其次是克隆 2 和克隆 3。值得注意的是，这三个亚克隆表现出转录异质性。 Hallmark 基因集富集分析确定了所有三个亚克隆的几种常见途径，包括 MYC 靶标、氧化磷酸化和 DNA 修复。我们还确定了亚克隆特异性特征，包括富含克隆 2 和克隆 3 的雌激素反应途径，以及富含克隆 2 的干扰素 α/γ 反应、凝血和补体途径。

为了了解三个肿瘤亚克隆的空间分布，我们将 CellTrek 应用于 scRNA-seq 和 ST 数据。大多数肿瘤细胞映射到 H&E 载玻片上的 DCIS 区域。此外，不同的肿瘤亚克隆映射到不同的导管区域，反映了广泛的肿瘤内空间异质性。具体而言，clone2 主要位于中间 (M) 导管，而 clone3 主要位于右侧 (R) 导管，而 clone1 分布在许多导管区域。 ST 肿瘤spot的无监督聚类确定了五个 ST cluster，它们显示空间和基因表达与肿瘤 CellTrek 图一致。基于每个导管的亚克隆组成，我们进行了聚类分析并计算了香农指数，产生了四个具有不同亚克隆组成和空间模式的主要导管簇。总体而言，来自组织右侧部分的导管显示出较低的克隆多样性，而来自中间和左侧区域的一些导管显示出较高的克隆多样性

使用 SCoexp 进一步研究了肿瘤细胞的空间共表达模式，并确定了三个基因模块（K1、K2 和 K3）。 K1 模块在 Clone1 中含量较高，并富含肌动蛋白相关通路。 CellTrek 显示具有高 K1 分数的细胞在空间上对应于肿瘤克隆 1。 相比之下，K2 在 Clone2 和 Clone3 中含量较高，并且富含对雌二醇、乳腺导管形态发生和一些分解代谢过程的反应。 有趣的是，K3 模块在增殖肿瘤细胞方面非常活跃，并且与细胞周期相关过程有关。 K3 评分的空间映射显示增殖的肿瘤细胞主要位于几个导管的外围区域附近。 总之，这些数据表明 CellTrek 工具包可以描绘不同肿瘤亚克隆的拓扑图及其在 DCIS 组织中的表达程序。

在另一个具有同步侵入性成分 (DCIS2) 的 DCIS 样本中，我们分析了 3,748 个单细胞（10X Genomics）和 2,063 个 ST spot（Visium，10X Genomics）。 无监督聚类和 DE 分析确定了 10 个簇，包括三个上皮簇、内皮细胞、周细胞、成纤维细胞、髓细胞、NK/T、B 和浆细胞样树突细胞 (pDC)。 CopyKAT 揭示了一个带有 CNA 的非整倍体上皮Cluster（上皮 3）

H&E 图像的组织病理学分析确定了 11 个带有肿瘤细胞的导管区域 (T1-T11) 和包含基质和免疫细胞的中间区域。为了研究肿瘤免疫微环境，我们专注于来自 scRNA-seq 数据的非整倍体细胞和免疫细胞。使用 CellTrek，我们将大部分非整倍体细胞映射到组织学定义的 DCIS 区域，将免疫细胞映射到导管和基质区域周围的区域。有趣的是，我们发现一些免疫细胞，包括 T、B、骨髓细胞和 pDC，聚集在导管外的区域，尤其是 T1、T2、T6 和 T7。将 CellTrek 结果与 H&E 图像相结合，我们假设这些区域中存在三级淋巴结构 (TLS)。为了进一步研究这个问题，我们计算了 ST spot水平的 TLS 分数，发现具有高 TLS 分数的spot通常对应于我们 CellTrek 图中的混合免疫细胞聚集体。此外，我们发现 ST 级 TLS 分数与绘制的免疫细胞计数呈正相关（Pearson's R = 036，P = 12e-10）。总之，这些结果表明 CellTrek 能够基于 scRNA-seq 和 ST 数据重建空间肿瘤免疫微环境。

接下来，发现一些 T 细胞靠近肿瘤区域，一些位于肿瘤区域的远端。我们进一步分析了 T 细胞并将它们重新聚集成六种细胞状态，包括幼稚 T (NaiveT)、CD4+ T (CD4T)、CD8+ T (CD8T)、调节性 T 细胞 (Treg)、耗竭 CD4+ T (CD4Te) 和耗尽的 CD8+ T (CD8Te) 。研究了这些 T 细胞状态在 CellTrek 图中的分布。值得注意的是，Tregs、CD4Te 和 CD8Te 细胞大多靠近肿瘤细胞。进一步构建了 T 细胞内的空间图，发现来自相同谱系的细胞倾向于在空间上共定位。计算了 T 耗竭分数，发现耗竭分数高的 T 细胞倾向于定位在肿瘤区域附近。 T 细胞与其最近的 15 个肿瘤细胞的 K 距离显示出与 UMAP 上的 T 耗竭评分相反的趋势。正如预期的那样，与非抑制性 T 细胞相比，免疫抑制性 T 细胞（Treg、CD4Te 和 CD8Te）具有更高的耗竭评分。根据 K 距离将 T 细胞二值化为肿瘤远端 (TD) 和肿瘤近端 (TP) 组，发现 TP 组显示出明显高于 TD 组的耗竭评分（P = 11e-4），表明存在DCIS 导管区域附近的免疫抑制微环境。还发现了类似的趋势，其中 TP 与 TD 相比，CD4T 和 Treg 细胞的耗竭分数更高，而 NaiveT 细胞的趋势相反。重要的是，TD 组只包含很少的免疫抑制性 T 细胞，这与发现一致，即耗尽的 T 细胞倾向于共定位在 DCIS 区域附近。

髓细胞的重新聚类确定了四种细胞状态，包括常规树突状细胞 (cDC)、单核细胞和两种巨噬细胞亚群（Macro1 和 Macro2）。CellTrek 将大部分 cDC 投影到肿瘤近端区域。空间图显示 Macro2 细胞与Macro1和cDC共定位。然后我们计算了骨髓细胞到肿瘤细胞的K-距离，发现cDCs总体上显示出最低的K-距离，而Macro1细胞具有更高的K-距离。K-距离密度 图显示了类似的趋势。我们进一步检查了 Macro1 细胞的空间共表达，并使用 SCoexp 确定了两个主要基因模块（K1、K2）和一个次要模块。K1 模块在来自肿瘤远端区域的巨噬细胞中更活跃，并且相关 具有多个 C1Q 基因、HAVCR2、CD74、HLA-DRA 等。相反，K2 模块显示出相反的空间模式并与 CHIT1、CSTB、APOC1、MARCO 等相关

为了正交验证 CellTrek 推断的肿瘤和免疫细胞的空间分布，我们对来自 DCIS2 和另一个 DCIS 样本 (DCIS3) 的组织切片的靶向探针进行了免疫荧光 (RNAscope) 实验。该数据表明，DCIS 肿瘤细胞区域具有 ERBB2 的高表达，而 TAGLN 标记了导管的基底上皮层。此外，免疫抑制性 T 细胞标志物，包括 CTLA4 和 FOXP3，在 DCIS2 的 DCIS 区域附近具有高表达，这与 CellTrek 结果一致。同样，在 DCIS3 中，我们在导管附近发现了具有 CTLA4 和 FOXP3 的免疫抑制性 T 细胞。此外，该数据显示 B 细胞 (MS4A1)、单核细胞/巨噬细胞 (CD68) 和树突状细胞 (CD1C) 也在 DCIS 导管区域附近，表明存在 TLS，并且与 DCIS2 的 CellTrek 结果一致。相比之下，在同一组织切片的正常小叶上皮区域中观察到的免疫细胞较少，尤其是免疫抑制性 T 细胞标志物。这些数据证实了我们对使用 CellTrek 推断的 DCIS 肿瘤免疫微环境的发现。

在这里，作者开发了一种新的计算工具 CellTrek，用于基于 scRNA-seq 和 ST 数据重建空间细胞图。与传统的去卷积方法相比，CellTrek 提供了一种新范式，可以将单个细胞直接投影到组织切片中的空间坐标，从而充分利用 scRNA-seq 数据。我们还开发了两个下游计算模块（SColoc 和 SCoexp）来进一步分析 CellTrek 结果。通过重建蜂窝空间图，CellTrek 提供了几个优势。首先，它提供了一种灵活的方法来以空间方式研究单个细胞的任何特征（例如，细胞类型/状态、伪时间），而大多数 ST 解卷积方法只能将SPOT分解为细胞类型，无法实现单细胞级特征映射其次，CellTrek 非常灵活，可以将任何细胞位置概率/相似性矩阵作为输入来重建细胞图，从而实现进一步的下游分析。第三，通过利用度量学习方法和非线性插值，CellTrek 允许以更高的空间分辨率进行更准确的细胞绘图。最后，随着更高空间分辨率测序技术的发展，CellTrek 完全能够将单个细胞绘制到其他空间测序数据，以提供更高的空间粒度。

首先使用模拟和原位数据集对 CellTrek 性能进行基准测试，然后评估不同数据条件下的准确性和稳健性。 通过将 CellTrek 工具包应用于来自小鼠大脑和肾脏的两个“完善”的数据集，我们展示了其恢复不同细胞类型拓扑结构的能力。 进一步表明，CellTrek 可以通过将分类（即细胞状态）和连续特征（即伪时间）映射到组织切片来识别高分辨率子结构。 SColoc 还可以将不同细胞类型的空间关系重建为图形，可进一步用于细胞间通讯分析。 此外，SCoexp 可以检测多种细胞类型内的空间共表达模块，显示组织切片中的拓扑模式。

在研究中，我们对两个 DCIS 样本进行了匹配的 scRNA-seq 和 ST 实验，并应用 CellTrek 工具包来描绘不同导管区域中肿瘤亚克隆的空间分布和肿瘤免疫微环境的拓扑组织。 在 DCIS1 中，我们发现三个肿瘤亚克隆定位于具有不同克隆多样性水平的不同导管。 尽管先前已经观察到形态学和基因组肿瘤内异质性，但在这里我们报告了 DCIS 组织中导管网络内的空间异质性。 在 DCIS2 中，CellTrek 准确映射了肿瘤

马尔文激光粒度仪是一种常用的粒度分析仪器，用于测量粉末、悬浮液或颗粒物料的粒度分布。要检测超细粒度，你可以按照以下步骤进行操作：

准备样品：将待测的超细粒度物料取样，并确保样品均匀，避免聚集和团块的存在。

调试仪器：确保马尔文激光粒度仪的参数设置与待测样品相适应。这包括选择适当的激光波长、散射角度和光路尺寸等。

校准仪器：对仪器进行校准，以确保粒度测量的准确性和可重复性。

制备样品悬浮液：将待测样品与适量的分散剂混合，并通过适当的方法将样品分散均匀，例如超声波处理或机械搅拌。

进行粒度测量：将制备好的样品悬浮液注入到马尔文激光粒度仪中，按照仪器操作说明开始粒度测量。仪器会通过激光散射原理来分析样品中的粒子大小和分布。

数据分析与结果解读：根据仪器所提供的粒度分布曲线和统计数据，进行数据分析和结果解读。可以通过测量平均粒径、粒径分布范围、粒径百分位数等指标来评估超细粒度的分散情况。

请注意，以上步骤仅提供了一般性的指导，具体操作方法还需根据马尔文激光粒度仪的用户手册和实际情况进行调整。在操作仪器时，请遵循相关的安全操作规程，并确保能够正确解读和使用仪器所提供的数据。

我数了一下，见过面的，没见过面的，合起来一共18次。希望下一次是最后一次。下面我来谈一谈我的感想：第一，相亲一定要自信，要自信，要自信，重要的事情说三遍。这种自信临时发挥，装是装不出来的。真正自信的人眼睛里有光，打个比方，当我们胸有成竹的去做一件事情的时候，那自信满满的，整个人看上去都很精神。超级有魅力我们被生活各种摧残，这种自信慢慢变成了一种平和，就像一滩死水，给人一种心事重重的感觉。为此，我现在每天都跑步，做广播体操，看书，面对镜子中的自己微笑，反复的微笑，心里默念我真帅困拆物气，这种笑是一种感染的笑，不是皮笑肉不笑，也不是浮夸的笑，更不是猥琐的笑。第二，相亲这种事不要太急于求成，非她不可，可以认真但是不要认真的太过分，平常心对待就好。我犯了一个致命的错误，每一次媒人介绍都会跟我一遍遍强调，好好说话，多花花女生，大方些。久而久之，潜移默化的受到了影响，一开口就输了，成了一只完完全全的舔《sportqtgfzlfcn/article/048762html》

《sportglpvhoecn/article/407523html》

《sport0576520cn/article/081762html》

《sport37fmcn/article/582194html》

《sportpwtdfixcn/article/638490html》

《sportxstgmcn/article/083957html》

《sportdgyprprcn/article/475160html》

《sportmasfjjqcn/article/801645html》

《sportlavejtzcn/article/810657html》

《sportsyshjcn/article/369581html》

整理了各类场景应用中AI算法

一、图像CV

内容安全，目标检测，图像识别，智能视觉生产，图像搜索，图像分割，物体检测，图像分类，图像标签，名人识别，概念识别，场景识别，物体识别，场景分析，智能相册，内容推荐，图库管理，网红人物识别，明星人物识别，图像搜索，商品搜索，版权搜索，通用搜索，车牌识别，垃圾分类，车辆检测，菜品识别，车型识别，犬类识别，实例分割，风格迁移，智能填充，智能识图，拍照搜商品，精准广告投放，电商导购，图像分析，图像理解，图像处理，图像质量评估，场景识别，物体识别，场所识别，图像自训练平台，图像分类，目标检测，图像分割，关键点检测，图像生成，场景文字识别，度量学习，图像识别，图像比对，图像分类使用手册，图像分类API文档目标检测使用手册，目标检测API文档Logo检测使用手册，Logo检测API文档，通用搜索，车牌识别，垃圾分类，车辆检测，车型识别，犬类识别，实例分割，风格迁移，智能填充，车牌识别，相册聚类，场景与物体识别，无限天空，图像识别引擎，**识别，暴力图像识别，工业轮胎智能检测，肋骨骨折识别，显微识别，图像处理，广告识别，人脸算法，人体算法，图像识别，图像增强，OCR，图像处理，ZoomAI，智能贴图，智能制作，质量评价，图像识别，智能鉴黄，图像识别，实时手写识别，唇语识别，通用文字识别，手写文字识别，图像技术，图像识别，图像审核，图像搜索，图像增强，图像特效，车辆分析，图像生成，绘画机器人独家，动漫化身独家，像素风独家，超清人像独家，图像融合，换脸技术，神奇变脸，图像风格化，证件照生成，线稿图像识别，宝宝检测，图像分类，圉像深度估计，天空分割，食物分割，猫狗脸技术，食物识别独家，图像美学评分，车辆分析，车型识别，车型识别（含指导价），车型识别（含配置参数），车标识别，人脸识别（活体），车牌识别，表情识别，安全帽识别，计算机影像，计算机视觉，聚焦光学字符识别、人脸识别、质检、感知、理解、交互，图像视频分析，Logo检测，内容审核，智能批改，笔记评估，思维导图评估，物体检测，物体识别。

二、人脸、体态、眼瞳、声音、指纹

人脸分割人脸识别，无，人体分析HAS，识别人的年龄，性别，穿着信息，客流统计分析，智能客服，热点区域分析，人体检测，人脸口罩识别，人脸对比，人脸搜索，人脸检测与属性分析，人脸活体检测，人体关键点检测，行人重识别，细粒度人像分割，人像分割，人脸解析，3D人体姿态估计，人脸融合，人脸识别，换脸甄别，人脸支付，人脸核身，人像变换，人脸试妆，人脸融合，人体分析，手势识别，人脸验证与检索，人脸比对，人脸比对sensetime，人脸水印照比对，静默活体检测，静默活体检测sensetime，人脸检测和属性分析，人脸特征分析tuputech，配合式活体检测，人脸安防，计算机视觉，智能应用服务，人脸查询人脸分析人脸统计名单库管理人脸布控，人脸应用，人体应用，人体查询，车辆查询车辆分析车辆统计车辆布控车辆名单库管理，车辆应用，人脸图像识别人体图像识别车辆图像识别，图像识别，图像比对，人脸比对，人体检测，人脸口罩识别，人脸对比，人脸搜索，人脸检测与属性分析，人脸活体检测，人体关键点检测，行人重识别，细粒度人像分割，人像分割，人脸解析，3D人体姿态估计，人脸融合，人脸识别，人脸检测，人脸比对，人脸搜索，人脸关键点，稠密关键点，人脸属性，情绪识别，颜值评分，视线估计，皮肤分析，3D人脸重建，面部特征分析人体识别，人体检测，人体关键点，人体抠像，人体属性，手势识别人像处理，美颜美型，人脸融合，滤镜，声纹识别支付，语音合成，语音合成，声纹识别，语音唤醒，人脸识别引擎，摄像头人脸识别，人脸检测，身份识别，人脸识别，人脸属性，人体识别，声纹识别，衣服检索及聚类，语音分析，声纹识别，说话人归档，人脸和人体识别，人脸检测，手势识别，人脸与人体识别，人脸识别云服务，人脸识别私有化，人脸离线识别SDK，人脸实名认证，人像特效，人体分析，人脸技不，皮肤分析独家，头部分割，宏观人脸分析，人脸关键点检测，微观人脸分析独家，头发分析独家，五官分割，头发分割人体技术，人体外轮廓点检测独家，精细化人像抠图，人体框检测，肢体关键点检测，人像分割，服饰识别，手势识别，皮肤分割，人脸，说话人识别，人脸检测识别，人脸1：1比对，人脸检测，AI人脸/人形车辆，大数据人像防伪，QoS保障，CDN，表情识别，举手动作识别，人脸检测，网络切片，边缘计算，人脸分析，人脸检测，人脸搜索，人体分析，手势识别，着装检测，人脸识别，行为检测，人脸识别，人形检测，行为分析，人脸检测，人脸跟踪，人脸比对，人脸查找，人脸属性分析，活体检测，声音指纹，声纹识别。

三、视频

视频分割、视频处理、视频理解、智能视觉、多媒体，视频内容分析，人体动作监控，视频分类，智能交通，人/动物轨迹分析，目标计数，目标跟踪，视频编辑-，精彩片段提取，新闻视频拆分，视频摘要，视频封面，视频拆条，视频标签-，视频推荐，视频搜索，视频指纹-，数字版权管理，广告识别，视频快速审核，视频版权，视频查重，视频换脸，车辆解析， 体育 视频摘要，视频内容分析，颜色识别，货架商品检测， 时尚 搭配，危险动作识别，无，无，视频，视频换脸，车辆解析， 体育 视频摘要，视频内容分析，颜色识别，货架商品检测， 时尚 搭配，危险动作识别，菜品识别，视频识别引擎，结肠息肉检测，胃镜评估系统，视频标签，场景识别，客流分析，手势识别，视频技术，短视频标签，视觉看点识别，动态封面图自动生成，智能剪辑，新闻拆条，智能插帧，视频技术，多模态媒资检索公测中，媒体内容分析，媒体内容审核，视频生成，视频动作识别，

四、ocr文字识别

手写识别，票据识别，通用文档，通用卡证，保险智能理赔，财税报销电子化，证照电子化审批，票据类文字识别，行业类文字识别，证件类文字识别，通用类文字识别，通用文字识别，驾驶证识别，身份证识别，增值税发票识别，行驶证识别，营业执照识别，银行卡识别，增值税发票核验，营业执照核验，智能扫码，行业文档识别， 汽车 相关识别，票据单据识别，卡证文字识别，通用文字识别，手写文字识别，印刷文字识别，银行卡识别，名片识别，身份证识别intsig，营业执照识别intsig，增值税发票识别intsig，拍照速算识别，公式识别，指尖文字识别，驾驶证识别JD，行驶证识别JD，车牌识别JD，身份证识别，增值税发票识别，营业执照识别，火车票识别，出租车发票识别，印刷文字识别（多语种），印刷文字识别（多语种）intsig内容审核，色情内容过滤，政治人物检查，暴恐敏感信息过滤，广告过滤，OCR自定义模板使用手册，OCR自定义模板API文档，通用文字识别，驾驶证识别，身份证识别，增值税发票识别，行驶证识别，营业执照识别，银行卡识别，身份证识别，驾驶证识别，行驶证识别，银行卡识别，通用文字识别，自定义模板文字识别，文字识别引擎，身份证识别，文字识别，通用文字识别，身份证识别，名片识别，光学字符识别服务，通用文字识别，手写体文字识别，表格识别，整题识别（含公式），购物小票识别，身份证识别，名片识别，自定义模板文字识别，文字识别，通用文字识别，银行卡识别，身份证识别，字幕识别，网络识别， 游戏 直播关键字识别，新闻标题识别，OCR文字识别，通用场景文字识别，卡证文字识别，财务票据文字识别，医疗票据文字识别， 汽车 场景文字识别，教育场景文字识别，其他场景文字识别，iOCR自定义模板文字识别，通用类OCR，通用文本识别(中英)通用文本识别(多语言)通用表格识别，证照类OCR，身份证社保卡户口本护照名片银行卡结婚证离婚证房产证不动产证，车辆相关OCR，行驶证驾驶证车辆合格证车辆登记证，公司商铺类OCR，商户小票税务登记证开户许可证营业执照组织机构代码证，票据类OCR，增值税发票增值税卷票火车票飞机行程单出租车发票购车发票智能技术，票据机器人证照机器人文本配置机器人表格配置机器人框选配置机器人，文字识别，行驶证识别，驾驶证识别，表单识别器，通用文本，财务票据识别，机构文档识别，个人证件识别，车辆相关识别，通用表格，印章识别，财报识别，合同比对，识别文字识别，签名比对，OCR识别，教育OCR，印刷识别，手写识别，表格识别，公式识别，试卷拆录

五、自然语言NPL

文本相似度，文本摘要，文本纠错，中心词提取，文本信息抽取，智能文本分类，命名实体，词性标注，多语言分词，NLP基础服务，地址标准化，商品评价解析智能短信解析，机器阅读理解，金融研报信息识别，法律案件抽取，行业问答推理，行业知识图谱构建，文本实体关系抽取，搜索推荐，知识问答，短文本相似度，文本实体抽取， 情感 倾向分析，兴趣画像匹配，文本分类-多标签，文本分类-单标签，定制自然语言处理，语言生成，语言理解，自然语言处理基础，文本摘要，数据转文字，文本生成，智能问答系统，内容推荐，评价分析，文本分类，对话理解，意图理解， 情感 分析，观点抽取，中文分词，短文本相似度，关键词提取，词向量，命名实体，识别依存，句法分析， 情感 分析，评论观点抽取，短文本相似度，机器翻译，词法分析，词义相似度，词向量，句法分析，文本分类，短语挖掘，闲聊，文本流畅度，同义词，聚类，语言模型填空，新闻热词生成，机器阅读理解，商品信息抽取，词法分析， 情感 分析，关键词提取，用户评论分析，资讯热点挖掘，AIUI人机交互，文本纠错，词法分析，依存句法分析，语义角色标注，语义依存分析（依存树），语义依存分析（依存图）， 情感 分析，关键词提取，NLP能力生产平台，NLP基础技术，中文词法分析-LAC，词向量—Word2vec，语言模型—Language_model，NLP核心技术， 情感 分析、文本匹配、自然语言推理、词法分析、阅读理解、智能问答，信息检索、新闻推荐、智能客服， 情感 分析、文本匹配、自然语言推理、词法分析、阅读理解、智能问答，机器问答、自然语言推断、 情感 分析和文档排序，NLP系统应用，问答系统对话系统智能客服，用户消费习惯理解热点话题分析舆情监控，自然语言处理，文本分类使用手册，文本分类API文档， 情感 分析，评论观点抽取，短文本相似度，机器翻译，词法分析，词义相似度，词向量，句法分析，文本分类，短语挖掘，闲聊，文本流畅度，同义词，聚类，语言模型填空，新闻热词生成，机器阅读理解，商品信息抽取智能创作，智能写作，搭配短文，种草标题，卖点标题，社交电商营销文案，自然语言处理能力，基础文本分析，分词、词性分析技术，词向量表示，依存句法分析，DNN语言模型，语义解析技术，意图成分识别， 情感 分析，对话情绪识别，文本相似度检测，文本解析和抽取技术，智能信息抽取，阅读理解，智能标签，NLG，自动摘要，自动写文章，语言处理基础技术，文本审核， 情感 分析，机器翻译，智能聊天，自然语言，基于标题的视频标签，台词看点识别，意图识别，词法分析，相关词，舆情分析，流量预测，标签技术，自然语言处理，语义对话，自然语言处理，车型信息提取，关键词提取，语义理解，语义相似度，意图解析，中文词向量，表示依存，句法分析，上下文理解，词法分析，意图分析，情绪计算，视觉 情感 ，语音 情感 ， 情感 分析，沉浸式阅读器，语言理解，文本分析，自然语言处理，在线语音识别，自然语言理解火速上线中， 情感 判别，语义角色标注，依存句法分析，词性标注，实体识别，中文分词，分词，

6、知识图谱

知识图谱，药学知识图谱，智能分诊，腾讯知识图谱，无，药学知识图谱，智能分诊，知识理解，知识图谱Schema，图数据库BGraph，知识图谱，语言与知识，语言处理基础技术，语言处理应用技术，知识理解，文本审核，智能对话定制平台，智能文档分析平台，智能创作平台，知识图谱，实体链接，意图图谱，识别实体，逻辑推理，知识挖掘，知识卡片

7、对话问答机器人

智能问答机器人，智能语音助手，智能对话质检，智能话务机器人，无，电话机器人，NeuHub助力京东智能客服升级，腾讯云小微，智能硬件AI语音助手，对话机器人，无，问答系统对话系统智能客服，Replika对话技术，客服机器人，智能问答，智能场景，个性化回复，多轮交互，情绪识别，智能客服，金融虚拟客服，电话质检，AI语音交互机器人，中移云客服·智能AI外呼，人机对话精准语义分析

8、翻译

协同翻译工具平台，电商内容多语言工具，文档翻译，专业版翻译引擎，通用版翻译引擎，无，机器翻译，无，机器翻译，音视频字幕平台，机器翻译，机器翻译niutrans，文本翻译，语音翻译，拍照翻译，机器翻译，机器翻译，文本翻译，语音翻译，通用翻译，自然语言翻译服务，文本翻译，翻译，语音翻译，实时语音翻译，文档翻译(开发版，机器翻译，文本翻译，语音翻译，拍照翻译，机器翻译实时长语音转写，录音文件长语音转写，翻译工具，机器翻译火速上线中

9、声音

便携智能语音一体机，语音合成声音定制，语音合成，一句话识别，实时语音识别录音文件识别，客服电话，语音录入，语音指令，语音对话，语音识别，科学研究，安防监控，声音分类，语音合成，语音识别，实时语音转写，定制语音合成，定制语音识别，语音合成，语音合成声音定制，离线语音合成，短语音识别，录音文件识别，声纹识别，离线语音识别，实时语音识别，呼叫中心短语音识别，呼叫中心录音文件识别，呼叫中心实时语音识别，语音识别，语音合成，声纹识别，语音识别，语音听写，语音转写，实时语音转写，语音唤醒，离线命令词识别，离线语音听写，语音合成，在线语音合成，离线语音合成，语音分析，语音评测，性别年龄识别，声纹识别，歌曲识别，AI客服平台能力中间件，语音识别，语音交互技术，语音合成，语音合成声音定制，离线语音合成，短语音识别，录音文件识别，声纹识别，离线语音识别，实时语音识别，呼叫中心短语音识别，呼叫中心录音文件识别，呼叫中心实时语音识别，远场语音识别，语音识别，一句话识别，实时语音识别，录音文件识别，语音合成，实时语音识别，长语音识别，语音识别，语音合成，波束形成，声源定位，去混响，降噪，回声消除，分布式拾音，语音识别，语音唤醒，语音合成，声纹识别，智能语音服务，语音合成，短语音识别，实时语音识别，语音理解与交互，离线唤醒词识别，语音识别，一句话识别，实时语音识别，录音文件识别，电话语音识别，语音唤醒，离线语音识别，离线命令词识别，远场语音识别，语音合成，通用语音合成，个性化语音合成，语音技术，短语音识别，实时语音识别，音频文件转写，在线语音合成，离线语音合成，语音自训练平台，语音交互，语音合成，语音识别，一句话识别，实时短语音识别，语音合成，语音唤醒，本地语音合成，语音翻译，语音转文本，短语音听写，长语音转写，实时语音转写，语音内容审核，会议超极本，语音交互技术，语音识别，语义理解，语音合成，音频转写，音视频类产品，语音通知/验证码，订单小号，拨打验证，点击拨号，数据语音，统一认证，语音会议，企业视频彩铃，语音识别，语音文件转录，实时语音识别，一句话语音识别，语音合成，通用语音合成，个性化语音合成，语音评测，通用语音评测，中英文造句评测，在线语音识别，语音识别，语音唤醒，语音合成，语音合成，语音识别，语音听写，语音转写，短语音转写(同步)，语音识别，语音 情感 识别

十、数据挖掘AI硬件

算法类型：包括二分类、多分类和回归，精准营销，表格数据预测，销量预测，交通流量预测，时序预测，大数据，无，机器学习使用手册，机器学习API文档，大数据处理，大数据传输，数据工厂，大数据分析，数据仓库，数据采集与标注，数据采集服务，数据标注服务，AI开发平台，全功能AI开发平台BML，零门槛AI开发平台EasyDL，AI硬件与平台，GPU云服务器，机器人平台，度目视频分析盒子，度目AI镜头模组，度目人脸应用套件，度目人脸抓拍机，人脸识别摄像机，昆仑AI加速卡，智能预测，购车指数，数据科学虚拟机，平台效率，云与AI，抗DDoS，天盾，网站漏洞扫描，网页防篡改，入侵检测防护，弹性云服务器，对象存储服务，云专线（CDA，AI计算机平台—360net深度学习基础模型，AI算法训练适配主流AI框架

十一、其他

内容审核，智能鉴黄，特定人物识别，通用审核，文本智能审核，广告检测，Logo检测，商品理解，拍照购，商品搜索，通用商品识别，疫情物资识别，酒标识别，细分市场划分，品牌竞争力分析，老品升级，新品定制，商品竞争力分析，商品销量预测，商品营销，用户评论占比预测，商品命名实体识别，商品颜色识别，强化学习，智能地图引擎，内容审核，智能鉴黄，特定人物识别，通用审核，文本智能审核，广告检测，Logo检测商品理解，拍照购，商品搜索，通用商品识别，疫情物资识别，酒标识别，细分市场划分，品牌竞争力分析，老品升级，新品定制，商品竞争力分析，商品销量预测，商品营销，用户评论占比预测，商品命名实体识别，商品颜色识别，个性化与推荐系统，推荐系统，舆情分析，舆情标签，智慧教育，智能语音评测，拍照搜题，题目识别切分，整页拍搜批改，作文批改，学业大数据平台，文档校审系统，会议同传系统，文档翻译系统，视频翻译系统，教育学习，口语评测，朗读听书，增强现实，3D肢体关键点SDK，美颜滤镜SDK，短视频SDK，基础服务，私有云部署，多模态交互，多模态 情感 分析，多模态意图解析，多模态融合，多模态语义，内容审查器，Microsoft基因组学，医学人工智能开放平台，数据查验接口，身份验证（公安简项），银行卡验证，发票查验，设备接入服务Web/H5直播消息设备托管异常巡检电话提醒，音视频，视频监控服务云广播服务云存储云录制，司乘体验，智能地图引擎，消息类产品，视频短信，短信通知/验证码，企业挂机彩信，来去电身份提示，企业固话彩印，模板闪信，异网短信，内容生产，试卷拆录解决方案，教学管理，教学质量评估解决方案，教学异常行为监测，授课质量分析解决方案，路况识别，人车检测，视觉SLAM，高精地图，免费SDK，智能诊后随访管理，用药管家，智能预问诊，智能导诊，智能自诊，智能问药，智能问答，裁判文书近义词计算，法条推荐，案由预测，

自然语言处理（NLP）在去去几年中已经有了惊人的进展，未来的前景也非常广阔。下面是一些可能的发展方向：

更智能的虚拟助手：随着技术的进步，虚拟助手将变得更加智能化，能够更好地理解和响应人类语言，为用户提供更加精准的服务。

2 情感分析和情感识别：情感分析和情感识别能够帮助企业了解用户的情感状态，从而更好地理解他们的需求，为用户提供更加个性化的服务。

3 机器翻译：机器翻译是NLP领域的重要领域之一，未来的机器翻译技术将变得更加智能化，能够更好地理解上下文，从而实现更加准确的翻译。 

4 自然语言生成：自然语言生成是指让计算机自动生成自然语言文本，未来的自然语言生成技术将变得更加智能化，能够生成更加流畅、清晰、自然的文本。

总而言之，随着技术的不断进步，自然语言处理在未来的发展前景非常广阔，将为人们的生活和工作带来更多的便利和创新。

写周报

查文献

聊食谱

码代码

写作文

写小说