trendsceek || 識別基因空間表達趨勢

Identification of spatial expression trends in single-cell gene expression data

空間轉錄組技術使得我們可以在組織成像的基礎上考察基因表達情況,同時也需要新的分析策略。trendsceek是一種基于標記點過程的方法,識別具有顯著空間表達趨勢的基因。trendsceek在空間轉錄組和順序熒光原位雜交數(shù)據(jù)中都能很好地發(fā)現(xiàn)空間差異基因明吩,并在單細胞RNA-seq數(shù)據(jù)的低維投影(TSNE/umap)中揭示了顯著的基因表達梯度和熱點。

library(trendsceek)
library(Seurat)
library(SeuratData)


AvailableData()


stxBrain.SeuratData::anterior1 -> sto 
head(sto@images$anterior1@coordinates)

                   tissue row col imagerow imagecol
AAACAAGTATCTCCCA-1      1  50 102     7475     8501
AAACACCAATAACTGC-1      1  59  19     8553     2788
AAACAGAGCGACTCCT-1      1  14  94     3164     7950
AAACAGCTTTCAGAAG-1      1  43   9     6637     2099
AAACAGGGTCTATATT-1      1  47  13     7116     2375
AAACATGGTGAGAGGA-1      1  62   0     8913     1480
pp = pos2pp(sto@images$anterior1@coordinates[,c(2,3)])
log.fcn = log10
counts_sub[1:2,1:4]
pp = set_marks(pp, as.matrix(sto@assays$Spatial@counts), log.fcn = log.fcn)

min.ncells.expr = 3
min.expr = 5
counts_filt = genefilter_exprmat(as.matrix(sto@assays$Spatial@counts), min.expr, min.ncells.expr)
dim(counts_filt)


quantile.cutoff = 0.9 ##filter out the most lowly expressed genes from the fitting
method = 'glm' ##For (robust) linear regression set to 'rlm'
vargenes_stats = calc_varstats(counts_filt, counts_filt, quant.cutoff = quantile.cutoff, method = method)

n.top2plot = 10
topvar.genes = rownames(vargenes_stats[['real.stats']])[1:n.top2plot]
pp2plot = pp_select(pp, topvar.genes)
plot.ercc.points = FALSE
plot_cv2vsmean(vargenes_stats, topvar.genes, plot.ercc.points = plot.ercc.points)

min.count = 1
counts_norm = deseq_norm(as.matrix(sto@assays$Spatial@counts), min.count)
counts_sub = counts_norm[topvar.genes, ]
dim(counts_sub)
plot_pp_scatter(pp2plot, log_marks = FALSE, scale_marks = FALSE, pal.direction = -1)
nrand = 100
ncores = 1

##run
trendstat_list = trendsceek_test(pp2plot, nrand, ncores)
trendstat_list

 head(trendstat_list$sig_genes_list$Vmark)
           gene  test earlystop max.env.rel.dev max.rel.dev   min.pval nsim_max nsim_stop      p.bh      p.bo rank
S100a5   S100a5 Vmark         0        6.898791  0.29728032 0.00990099        2         2 0.0110011 0.0990099    1
Fabp7     Fabp7 Vmark         0        5.392828  0.12836321 0.00990099        2         2 0.0110011 0.0990099    2
Ptgds     Ptgds Vmark         0        3.491384  0.09823452 0.00990099        2         2 0.0110011 0.0990099    3
Clca3a1 Clca3a1 Vmark         0        3.075842  0.35753230 0.00990099        2         2 0.0110011 0.0990099    4
Ttr         Ttr Vmark         0        2.962141  0.10187457 0.00990099        2         2 0.0110011 0.0990099    5
Kl           Kl Vmark         0        1.762761  0.11802672 0.00990099        2         2 0.0110011 0.0990099    6
alpha = 0.05 ##Benjamini-Hochberg
sig_list = extract_sig_genes(trendstat_list, alpha)
lapply(sig_list, nrow)
sig_genes = sig_list[['markcorr']][, 'gene']
plot_trendstats(trendstat_list, sig_genes[1])
plot_pp_scatter(pp_sig, log_marks = FALSE, scale_marks = FALSE, pal.direction = -1,pointsize.factor = 1)


https://github.com/edsgard/trendsceek
Edsg?rd D. et al., Identification of spatial expression trends in single-cell gene expression data, Nature Methods, 2018
doi:10.1038/nmeth.4634

?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末殷费,一起剝皮案震驚了整個濱河市印荔,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌详羡,老刑警劉巖仍律,帶你破解...
    沈念sama閱讀 217,185評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異实柠,居然都是意外死亡水泉,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,652評論 3 393
  • 文/潘曉璐 我一進店門窒盐,熙熙樓的掌柜王于貴愁眉苦臉地迎上來草则,“玉大人,你說我怎么就攤上這事蟹漓】缓幔” “怎么了?”我有些...
    開封第一講書人閱讀 163,524評論 0 353
  • 文/不壞的土叔 我叫張陵葡粒,是天一觀的道長份殿。 經(jīng)常有香客問我膜钓,道長,這世上最難降的妖魔是什么卿嘲? 我笑而不...
    開封第一講書人閱讀 58,339評論 1 293
  • 正文 為了忘掉前任颂斜,我火速辦了婚禮,結果婚禮上腔寡,老公的妹妹穿的比我還像新娘。我一直安慰自己掌唾,他們只是感情好放前,可當我...
    茶點故事閱讀 67,387評論 6 391
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著糯彬,像睡著了一般凭语。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上撩扒,一...
    開封第一講書人閱讀 51,287評論 1 301
  • 那天似扔,我揣著相機與錄音,去河邊找鬼搓谆。 笑死炒辉,一個胖子當著我的面吹牛,可吹牛的內容都是我干的泉手。 我是一名探鬼主播黔寇,決...
    沈念sama閱讀 40,130評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼斩萌!你這毒婦竟也來了缝裤?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 38,985評論 0 275
  • 序言:老撾萬榮一對情侶失蹤颊郎,失蹤者是張志新(化名)和其女友劉穎憋飞,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體姆吭,經(jīng)...
    沈念sama閱讀 45,420評論 1 313
  • 正文 獨居荒郊野嶺守林人離奇死亡榛做,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 37,617評論 3 334
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了内狸。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片瘤睹。...
    茶點故事閱讀 39,779評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖答倡,靈堂內的尸體忽然破棺而出轰传,到底是詐尸還是另有隱情,我是刑警寧澤瘪撇,帶...
    沈念sama閱讀 35,477評論 5 345
  • 正文 年R本政府宣布获茬,位于F島的核電站港庄,受9級特大地震影響,放射性物質發(fā)生泄漏恕曲。R本人自食惡果不足惜鹏氧,卻給世界環(huán)境...
    茶點故事閱讀 41,088評論 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望佩谣。 院中可真熱鬧把还,春花似錦、人聲如沸茸俭。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,716評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽调鬓。三九已至艇炎,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間腾窝,已是汗流浹背缀踪。 一陣腳步聲響...
    開封第一講書人閱讀 32,857評論 1 269
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留虹脯,地道東北人驴娃。 一個月前我還...
    沈念sama閱讀 47,876評論 2 370
  • 正文 我出身青樓,卻偏偏與公主長得像循集,于是被迫代替她去往敵國和親托慨。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 44,700評論 2 354

推薦閱讀更多精彩內容