分析优化

admin管理员组

文章数量:1794759

分析优化

作者，Evil Genius

今天我们需要讨论一个问题，那就是关于邻域的问题，目前有两种思路，如下：

一种是选择某个点（cell）一定范围内距离最近的几个细胞，例如下面就是距离最近的10个细胞

另外一种是将一定范围内的所有细胞均纳入分析范围，如下图：

对于那种spot类型的数据，点之间的大小是固定的，自然也就没有什么区别，那如果是原位的分析，大家觉得哪种更好呢？尤其其中关键的问题，如果选择第二种，距离设置成多远呢？

其实大家应该都倾向于第二种的空间邻域分析方法，因为做了图像细胞分割的原因，对于原位数据有以下特点：

那就是细胞的分布密度不同，有的地方密度大，固定大小包含多个细胞，有的地方密度小，细胞分布就比较少了。

所有我们基于原位的数据需要优化，同时兼容像visium的数据。

我们先以visium 的数据为例，范围设置成100（注意这里的范围是像素）,同时要做了单细胞空间的联合分析。

代码语言：javascript代码运行次数：0运行复制

import scanpy as sc
import squidpy as sq

# 读取空间转录组数据 (例如 10X Visium 数据)
adata = sc.read_visium('/home/samples/DB/Spatial/visium_data/HCC_1L')

# 预处理数据
sc.pp.normalize_total(adata, inplace=True)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, flavor="seurat", n_top_genes=2000)
adata = adata[:, adata.var.highly_variable]

# 计算邻域信息 (必要时设置邻域大小)
sq.gr.spatial_neighbors(adata, coord_type="grid", radius=100)

# 进行细胞通讯分析
sq.gr.interaction_matrix(adata)

# 可视化通讯网络
sq.pl.spatial_interaction(adata, cluster_key="cluster")

高精度的原位数据同理，需要做好细胞类型的注释

代码语言：javascript代码运行次数：0运行复制

import spatialdata as sd
from spatialdata_io import xenium

import matplotlib.pyplot as plt
import seaborn as sns

import scanpy as sc
import squidpy as sq

xenium_path = "./Xenium"
zarr_path = "./Xenium.zarr"
sdata = xenium(xenium_path)

sc.pp.filter_cells(adata, min_counts=10)
sc.pp.filter_genes(adata, min_cells=5)

adata.layers["counts"] = adata.X.copy()
sc.pp.normalize_total(adata, inplace=True)
sc.pp.log1p(adata)
sc.pp.pca(adata)
sc.pp.neighbors(adata)
sc.tl.umap(adata)
sc.tl.leiden(adata)

sq.gr.spatial_neighbors(adata, coord_type="generic", delaunay=True, radius=100)

sq.pl.nhood_enrichment(
    adata,
    cluster_key="leiden",
    figsize=(8, 8),
    title="Neighborhood enrichment adata",
    ax=ax[0],
)
sq.pl.spatial_scatter(adata_subsample, color="leiden", shape=None, size=2, ax=ax[1])

这里只做到了共定位，还有很多很个性化的分析需要探讨，我们以后再来讨论

生活很好，有你更好

本文标签： 分析优化