作者泽谨，Evil Genius
新的一周，雖然還很難特漩，但是有希望
今天我們來(lái)分享一篇文獻(xiàn)吧雹，A spatially resolved atlas of the human lung characterizes a gland-associated immune niche,2023年1月發(fā)表于nature genetics，文章運(yùn)用了很多比較值得學(xué)習(xí)的方法,對(duì)于單細(xì)胞涂身、單核雄卷、VDJ，尤其對(duì)于空間細(xì)胞類型共定位的運(yùn)用很好蛤售，我放在了最后丁鹉，大家隨意取閱。
肺臟除了擁有氣體交換功能外悴能，還具有重要的屏障功能揣钦，對(duì)人體健康至關(guān)重要。肺臟功能異衬穑可引起肺部疾病冯凹。目前，肺部疾病在全球死亡原因中排名第三炒嘲，全面了解界定肺功能的細(xì)胞和微環(huán)境對(duì)于治療肺部疾病十分重要宇姚。
雖然單細(xì)胞轉(zhuǎn)錄組層面的研究已經(jīng)促進(jìn)了人們對(duì)肺功能的理解，但肺是由復(fù)雜的結(jié)構(gòu)和環(huán)境共同組成的夫凸，不能僅通過(guò)單細(xì)胞轉(zhuǎn)錄組測(cè)序?qū)ζ溥M(jìn)行研究浑劳。肺細(xì)胞是如何組裝的、特定的細(xì)胞類型（尤其是罕見(jiàn)的細(xì)胞類型）是如何導(dǎo)致肺部疾病等仍是懸而未決的難題寸痢。因此呀洲，了解健康肺部局部環(huán)境中細(xì)胞之間的聯(lián)系可以幫助醫(yī)生確定疾病中什么被破壞紊选，為如何預(yù)防或治療肺部疾病提供線索啼止。
來(lái)自英國(guó)威康桑格研究所道逗、劍橋大學(xué)的研究人員聯(lián)合單細(xì)胞、空間轉(zhuǎn)錄組學(xué)（spatial transcriptomics献烦，ST）方法滓窍，對(duì)已故器官捐贈(zèng)者的健康肺和氣道進(jìn)行深層組織細(xì)胞解析，并沿著呼吸樹(shù)從近端到遠(yuǎn)端軸線對(duì)組織細(xì)胞類型進(jìn)行表征巩那，共鑒定了80種細(xì)胞類型/狀態(tài)吏夯，其中涵蓋11種在先前的肺圖譜研究中未被定義的細(xì)胞類型，構(gòu)建了全面的人肺細(xì)胞圖譜即横，并定義了一個(gè)腺體相關(guān)免疫生態(tài)位（gland-associated immune niche噪生，GAIN）。
我們來(lái)看一下這篇文章：
文章首先通過(guò)scRNA-seq东囚、snRNA-seq跺嗽、VDJ-seq和ST深層分析了人類肺部和氣道的五個(gè)近端到遠(yuǎn)端位置的組織樣本，以捕獲軟骨页藻、肌肉和粘膜下腺（SMG）等結(jié)構(gòu)桨嫁。對(duì)13名捐贈(zèng)者的肺組織中的近20萬(wàn)個(gè)細(xì)胞進(jìn)行了基因分析，發(fā)現(xiàn)了11種新細(xì)胞類型份帐，共鑒定并顯示了80種細(xì)胞類型的確切位置璃吧。根據(jù)特征性基因的表達(dá)，這些細(xì)胞大致可區(qū)分為上皮細(xì)胞废境、免疫細(xì)胞畜挨、紅系細(xì)胞、內(nèi)皮細(xì)胞和間質(zhì)細(xì)胞噩凹。此外朦促，研究發(fā)現(xiàn)在上述新的細(xì)胞類型中，支氣管周圍成纖維細(xì)胞與慢性阻塞性肺菜ㄊ肌（COPD）和特發(fā)性肺纖維化有關(guān)务冕。
marker基因和空間形態(tài)學(xué)的知識(shí)我們也需要掌握，畫(huà)圖的代碼放在了最后
結(jié)果1幻赚、Rare fibroblasts with immune recruiting properties
成纖維細(xì)胞的順序聚類分成了11個(gè)不同的成纖維細(xì)胞亞群禀忆。其中包括一種罕見(jiàn)的細(xì)胞類型，被稱為免疫招募成纖維細(xì)胞（IR-fibro）落恼。IR-fibr細(xì)胞表達(dá)趨化因子CCL19和CCL21箩退，可與成纖維細(xì)胞網(wǎng)狀細(xì)胞和濾泡樹(shù)突狀細(xì)胞的其他標(biāo)記基因（如CXCL12、GREM1佳谦、CXCL13戴涝、FDCSP）共同負(fù)責(zé)免疫細(xì)胞（T和B細(xì)胞）在次級(jí)淋巴器官中的定位。
結(jié)果2、體循環(huán)和肺循環(huán)中的血管細(xì)胞類型
研究可以通過(guò)實(shí)質(zhì)（肺血管）和氣管（系統(tǒng)血管）的特異性富集來(lái)區(qū)分肺和體循環(huán)細(xì)胞cluster啥刻。利用ST奸鸯，進(jìn)一步區(qū)分了動(dòng)脈內(nèi)皮細(xì)胞類型[全身動(dòng)脈內(nèi)皮細(xì)胞 (E-Art-syst) 和肺動(dòng)脈內(nèi)皮細(xì)胞 (E-Art-pulm)]、非血管氣道平滑肌細(xì)胞可帽、肺及全身平滑肌/血管周圍細(xì)胞[肺平滑肌肌肉娄涩、肺周細(xì)胞（Peri-pulm）、全身動(dòng)脈平滑加掣（SM-Art-syst）蓄拣、全身性周細(xì)胞（Peri-syst），以及靜脈血管周圍細(xì)胞努隙，即免疫募集血管細(xì)胞球恤。
結(jié)果3、IgA漿細(xì)胞與SMG的共定位
B細(xì)胞包括原始B細(xì)胞和記憶B細(xì)胞荸镊、IgA和IgG漿細(xì)胞以及漿母細(xì)胞碎捺。其中，IgA對(duì)粘膜免疫十分重要贷洲，其在氣道樣本中最常見(jiàn)收厨。在Visium ST數(shù)據(jù)中，IgA漿細(xì)胞映射到氣道SMG优构，與導(dǎo)管诵叁、粘液和漿液細(xì)胞共定位，而IgG則映射到免疫浸潤(rùn)區(qū)钦椭。研究團(tuán)隊(duì)使用細(xì)胞定位NMF進(jìn)一步區(qū)分了IgA漿細(xì)胞在漿液腺中的富集拧额，確定了兩種不同的腺體因子：一種是SMG漿液細(xì)胞與IgA漿細(xì)胞的共定位；另一種是與其他SMG上皮細(xì)胞的共定位彪腔。
為在單細(xì)胞分辨率下剖析這一生態(tài)位侥锦，研究團(tuán)隊(duì)使用多重免疫組化來(lái)確認(rèn)SMG中存在IgA而不是IgG細(xì)胞，并在人SMG中檢測(cè)到IgD陽(yáng)性的naive B細(xì)胞和CD3+ CD4+ T輔助細(xì)胞德挣。研究團(tuán)隊(duì)假設(shè)這些不同類型的細(xì)胞共同構(gòu)成了一個(gè)與疾病相關(guān)的免疫生態(tài)位恭垦，并將其命名為“腺體相關(guān)免疫生態(tài)位”（GAIN）。
結(jié)果5格嗅、細(xì)胞-細(xì)胞相互作用和SMG免疫細(xì)胞生態(tài)位
通過(guò)CellChat細(xì)胞-細(xì)胞相互作用分析番挺，研究人員全面描述了在SMG中募集和維持免疫細(xì)胞功能的分子信號(hào)通路
IgA反應(yīng)對(duì)于有效預(yù)防呼吸道感染非常重要，但其在COPD和囊性纖維化等肺部疾病中受到破壞屯掖。GAIN的存在則有助于對(duì)抗呼吸道感染玄柏，并最終促進(jìn)IgA抗體的產(chǎn)生，這也是研究人員首次設(shè)法詳細(xì)描繪這一復(fù)雜的過(guò)程贴铜。對(duì)GAIN功能的進(jìn)一步研究可能有助于開(kāi)發(fā)緩解疾病癥狀的療法粪摘，提高對(duì)感染的抵抗力或構(gòu)建增強(qiáng)疫苗反應(yīng)的方法瀑晒。
我其實(shí)最感興趣的是空間細(xì)胞共定位的實(shí)現(xiàn)方法是什么
主要有五部分內(nèi)容：
- Loading Visium data and single cell reference
- Show UMAP of cells and locations
- cell2location analysis in one step
- Automatic discrete region identification by clustering cell densities
- Visualize cell type density gradients using diffusion maps
- Identify co-occuring cell type combinations using matrix factorisation
import sys
sys.path.insert(1, '/nfs/team205/vk7/sanger_projects/BayraktarLab/scvi-tools/')
sys.path.insert(1, '/nfs/team205/vk7/sanger_projects/BayraktarLab/cell2location/')
import scanpy as sc
import anndata
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import cell2location
#import scvi
from matplotlib import rcParams
rcParams['pdf.fonttype'] = 42 # enables correct plotting of text
import seaborn as sns
adata_vis = sc.read_h5ad(f'{scvi_run_name}/sp.h5ad')
adata_vis.obs[adata_vis.uns['mod']['factor_names']] = adata_vis.obsm['q05_cell_abundance_w_sf']
####Dotplot by histology-based annotation
# read histology-based annotations of iBALT:
annot_ = pd.read_csv(f'{annotation_folder}WSA_LngSP10193348/iBALT.csv', index_col='Barcode')
annot_.index = [f'WSA_LngSP10193348_{j}' for j in annot_.index]
annot_ = annot_.loc[annot_['iBALT'] == 1.0, :]
adata_vis.obs.loc[adata_vis.obs_names.isin(annot_.index), 'iBALT'] = '1.0'
adata_vis.obs['iBALT'].value_counts(dropna=False)
# read histology-based annotations of Glands:
annot_ = pd.read_csv(f'{annotation_folder}WSA_LngSP10193348/Glands.csv', index_col='Barcode')
annot_.index = [f'WSA_LngSP10193348_{j}' for j in annot_.index]
annot_ = annot_.loc[annot_['Glands'] == 1.0, :]
adata_vis.obs.loc[adata_vis.obs_names.isin(annot_.index), 'Glands'] = '1.0'
adata_vis.obs['Glands'].value_counts(dropna=False)
fig_dir = f'{scvi_run_name}/plots/'
annot_ = ['Tissue', 'Perichondrium', 'Cartilage', 'Glands',
'Multilayer_epithelium', 'Airway_Smooth_Muscle', 'Weird_morphology',
'Nerve', 'Venous_vessel', 'Arterial_vessel', 'Parenchyma',
'Mesothelium', 'Pulmonary_vessel', 'Small_airway', 'iBALT']
annot_abundance_df = pd.DataFrame(index=adata_vis.uns['mod']['factor_names'],
columns=annot_)
for a in annot_:
ind = adata_vis.obs[a] == '1.0'
annot_abundance_df[a] = adata_vis.obs.loc[ind, adata_vis.uns['mod']['factor_names']].mean(0)
annot_abundance_norm = (annot_abundance_df.T / annot_abundance_df.sum(1)).T
mpl.rc_file_defaults()
mpl.rcParams['pdf.fonttype'] = 42 # enables correct plotting of text
with mpl.rc_context({'font.size': 8, 'axes.facecolor': "white"}):
from cell2location.plt.plot_heatmap import clustermap
clustermap(annot_abundance_norm, figure_size=(5, 11),
cmap='RdPu', log=True, fun_type='dotplot',
cluster_rows=True, cluster_cols=True)
plt.savefig(f"{fig_dir}histology_annotation_dotplot.pdf",
bbox_inches='tight')
plt.show()
