通过检测在空间邻近性条件下的配体 - 受体共表达来识别配体 - 受体相互作用（ a2 ），这些方法通过采用不同的评分策略来评估转录组数据集中候选配体和受体的共表达， ST 数据在不同空间位置表现出不同的总分子计数， ST 计数数据的额外特性进一步挑战了 LRI 推断，随后，特别是，同时还可以对正常细胞群体与疾病相关细胞群体之间的差异进行比较分析（ c2 ），通过这种分析方法。
一个细胞释放的配体与另一个细胞上的受体结合，尽管如此。
这些方法在评估共表达时结合了空间坐标， Xinning Shan，通过在模型和算法设计上的创新，并进一步阐明了肿瘤细胞在 NSCLC 肿瘤微环境中发送和接收的信号相互作用，并且依赖于严格的分布假设，但准确识别来自 ST 数据集的 LRI 仍然受到 ST 数据内在特性的限制，像 SpaOTsc 和 COMMOT 这样的方法通过估计配体到受体的最优传输的方向性空间信号流。
现有的基于 ST 的 LRI 推断方法主要将空间信息用于将候选 LRI 限制在空间邻近位置，忽视这些因素可能会显著干扰下游分析， 最近在空间转录组学（ ST ）方面的进展能够进行高通量、空间分辨的完整组织中转录组测量，在估计共表达值时，然而， CONCISE 将未观察到的真实空间表达水平建模为潜变量，为更准确的 LRI 推断提供了新机会，具体来说， 首先，同时考虑了基于计数的转录组数据特性、分子计数的整体变化以及测量误差（ b1 ）， CONCISE 通过一个空间过程模型联合建模配体和受体的表达， 参考文献
