MIA，多模態數據取交集方法，是針對Spot Cluster 水平上利用單細胞注釋信息來對ST-Spot聚類結果進行細胞類型注釋。
給定單細胞某個已知細胞類型和某個Spot的聚類編號，我們分別篩選各自的CellMarkers和SpotMarkers
Background定義為單細胞與ST數據共同表達的基因集，根據單細胞的CellMarkers可以將背景基因集分成兩塊區域，藍色和黃色部分
然后將ST的SpotMarkers分別與這兩個區域取交集
如果這個ST的SpotMarkers是隨機抽取的，那么落在這兩個區域的基因數應該是符合一定的比例， 如果出現過度集中與藍色區域，則我們認為CellMarkers與SpotMarkers是顯著重疊的，那么我們可以得到這個SpotCluster屬于這個細胞類型的可能性越高。
其實這個就是超幾何分布模型，我們可以一個公式來計算顯著性P值，由于P值是0-1之間，很小的數，我們可以取-log10，轉換為得分，此得分越高，注釋與這個細胞類型的可能性就越高。
很簡單，我們可以在R中的基本函數phyper中實現，命令用黑色方框顯示。
i表示同時屬于scRNA的CellMarkers和ST的SpotMarkers
M表示scRNA的CellMarkers
大N表示scRNA和ST同時表達基因
小n表示ST的SpotMarkers
在這里我想說個題外話，這個模型簡單且非常實用， 在基因功能富積分析使用的模型就是這個，所以課后不妨大家多多了解下
最終我們得到SpotCluster的細胞類型預測結果文件，行為Cluster編號，其中括號內的數字表示ST的SpotMarker數，列為細胞類型
如果得分越高，這個SpotCluster屬于這個細胞類型的可能性就越高，我們可以看到Cluster3屬于Oligo的得分最高，因此屬于這個細胞類型的可能性就最高。
我們可以將上面的表格進行熱圖展示，行為Cluster，列為細胞類型，對細胞類型做了層級聚類
我們可以看到紅色方框內是Cluster3對應的Oligo細胞類型的數值，由于此值在Cluster3對應的所有細胞類型最高，因此此Cluster被預測為Oligo細胞類型
我們也可以用桑基圖展示Cluster與已知細胞類型對應關系，比如Cluster3沿著這個弧線對應到Oligo細胞類型。
