單細(xì)胞空間轉(zhuǎn)錄分析之Scanpy-多樣本整合

和Seurat一樣暖呕,Scanpy也提供了多樣本空轉(zhuǎn)數(shù)據(jù)的整合
https://scanpy-tutorials.readthedocs.io/en/latest/spatial/integration-scanorama.html

Scanpy

單細(xì)胞空間轉(zhuǎn)錄分析之Scanpy:http://www.reibang.com/p/8dc231c06932
單細(xì)胞空間轉(zhuǎn)錄分析之Scanpy-多樣本整合:http://www.reibang.com/p/caa98aeac191
單細(xì)胞空間轉(zhuǎn)錄分析之Seurat:http://www.reibang.com/p/c9a601ced91f
單細(xì)胞空間轉(zhuǎn)錄分析之Seurat-多樣本整合(淺談空間批次):http://www.reibang.com/p/609b04096b79

這是也使用了10X官網(wǎng),下載獲得小鼠大腦同一張切片前端和后端空轉(zhuǎn)數(shù)據(jù)布疙,包括anterior1,posterior1个盆。https://support.10xgenomics.com/spatial-gene-expression/datasets/1.1.0/V1_Mouse_Brain_Sagittal_Anterior
https://support.10xgenomics.com/spatial-gene-expression/datasets/1.1.0/V1_Mouse_Brain_Sagittal_Posterior
導(dǎo)入相關(guān)包

import scanpy as sc
import anndata as an
import pandas as pd
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
import scanorama
sc.logging.print_versions()
sc.set_figure_params(facecolor="white", figsize=(8, 8))
sc.settings.verbosity = 3
##設(shè)置輸入路徑
import os 
os.chdir('./scanpy/Integrate') ##修改路徑
results_file = 'integrat_spatial.h5ad' ##設(shè)置結(jié)果文件保存路徑

讀取數(shù)據(jù)辰如,標(biāo)準(zhǔn)化

adata_spatial_anterior1 = sc.read_visium("./Mouse/Brain_Section1_Sagittal_Anterior/Brain_anterior1/outs")
adata_spatial_posterior1 = sc.read_visium("./Mouse/Brain_Section1_Sagittal_Posterior/Brain_posterior1/outs")
adata_spatial_anterior1.var_names_make_unique()
adata_spatial_posterior1.var_names_make_unique()
sc.pp.calculate_qc_metrics(adata_spatial_anterior1, inplace=True)
sc.pp.calculate_qc_metrics(adata_spatial_posterior1, inplace=True)
for name, adata in [
    ("anterior", adata_spatial_anterior1),
    ("posterior", adata_spatial_posterior1),
]:
    fig, axs = plt.subplots(1, 4, figsize=(20, 4))
    fig.suptitle(f"Covariates for filtering: {name}")
    sns.distplot(adata.obs["total_counts"], kde=False, bins=60, ax=axs[0])
    sns.distplot(adata.obs["total_counts"][adata.obs["total_counts"] < 20000],kde=False, bins=60,ax=axs[1],)
    sns.distplot(adata.obs["n_genes_by_counts"], kde=False, bins=60, ax=axs[2])
    sns.distplot(adata.obs["n_genes_by_counts"][adata.obs["n_genes_by_counts"] < 4000],kde=False,bins=60,ax=axs[3], )
    plt.savefig(f"QC_plot_{name}.pdf")

for adata in [
    adata_spatial_anterior1,
    adata_spatial_posterior1,
]:
    sc.pp.normalize_total(adata, inplace=True)
    sc.pp.log1p(adata)
    sc.pp.highly_variable_genes(adata, flavor="seurat", n_top_genes=2000, inplace=True)
anterior

posterior

Scanorama數(shù)據(jù)整合

adatas = [adata_spatial_anterior1,adata_spatial_posterior1]
adatas_cor = scanorama.correct_scanpy(adatas, return_dimred=True)
adata_spatial = adatas_cor[0].concatenate(
    adatas_cor[1],
    batch_key="library_id",
    uns_merge="unique",
    batch_categories=[
        k
        for d in [
            adatas_cor[0].uns["spatial"],
            adatas_cor[1].uns["spatial"],
        ]
        for k, v in d.items()
    ],
)
sc.pp.neighbors(adata_spatial, use_rep="X_scanorama")
sc.tl.umap(adata_spatial)
sc.tl.leiden(adata_spatial, key_added="clusters")
sc.pl.umap(adata_spatial, color=["clusters", "library_id"], palette=sc.pl.palettes.default_20)
plt.savefig("umap.pdf")

clusters_colors = dict(
    zip([str(i) for i in range(18)], adata_spatial.uns["clusters_colors"])
)
fig, axs = plt.subplots(1, 2, figsize=(15, 10))

for i, library in enumerate(
    ['Brain_anterior1','Brain_posterior1']
):
    ad = adata_spatial[adata_spatial.obs.library_id == library, :].copy()
    sc.pl.spatial(
        ad,
        img_key="hires",
        library_id=library,
        color="clusters",
        size=1.5,
        palette=[
            v
            for k, v in clusters_colors.items()
            if k in ad.obs.clusters.unique().tolist()
        ],
        legend_loc=None,
        show=False,
        ax=axs[i],
    )

plt.tight_layout()
plt.savefig("spatial.pdf")
umap
spatial

相比Seurat merge直接整合拌牲,我們可以看到Scanpy去掉了部分批次,兩張切片連接處有所改善撮珠。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末沮脖,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子芯急,更是在濱河造成了極大的恐慌勺届,老刑警劉巖,帶你破解...
    沈念sama閱讀 218,682評(píng)論 6 507
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件娶耍,死亡現(xiàn)場(chǎng)離奇詭異免姿,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)榕酒,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,277評(píng)論 3 395
  • 文/潘曉璐 我一進(jìn)店門胚膊,熙熙樓的掌柜王于貴愁眉苦臉地迎上來故俐,“玉大人,你說我怎么就攤上這事紊婉∫┌妫” “怎么了?”我有些...
    開封第一講書人閱讀 165,083評(píng)論 0 355
  • 文/不壞的土叔 我叫張陵肩榕,是天一觀的道長(zhǎng)刚陡。 經(jīng)常有香客問我,道長(zhǎng)株汉,這世上最難降的妖魔是什么筐乳? 我笑而不...
    開封第一講書人閱讀 58,763評(píng)論 1 295
  • 正文 為了忘掉前任,我火速辦了婚禮乔妈,結(jié)果婚禮上蝙云,老公的妹妹穿的比我還像新娘。我一直安慰自己路召,他們只是感情好勃刨,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,785評(píng)論 6 392
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著股淡,像睡著了一般身隐。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上唯灵,一...
    開封第一講書人閱讀 51,624評(píng)論 1 305
  • 那天贾铝,我揣著相機(jī)與錄音,去河邊找鬼埠帕。 笑死垢揩,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的敛瓷。 我是一名探鬼主播叁巨,決...
    沈念sama閱讀 40,358評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼呐籽!你這毒婦竟也來了锋勺?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 39,261評(píng)論 0 276
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤绝淡,失蹤者是張志新(化名)和其女友劉穎宙刘,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體牢酵,經(jīng)...
    沈念sama閱讀 45,722評(píng)論 1 315
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡悬包,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,900評(píng)論 3 336
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了馍乙。 大學(xué)時(shí)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布近。...
    茶點(diǎn)故事閱讀 40,030評(píng)論 1 350
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡垫释,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出撑瞧,到底是詐尸還是另有隱情棵譬,我是刑警寧澤,帶...
    沈念sama閱讀 35,737評(píng)論 5 346
  • 正文 年R本政府宣布预伺,位于F島的核電站订咸,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏酬诀。R本人自食惡果不足惜脏嚷,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,360評(píng)論 3 330
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望瞒御。 院中可真熱鬧父叙,春花似錦、人聲如沸肴裙。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,941評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)蜻懦。三九已至甜癞,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間宛乃,已是汗流浹背带欢。 一陣腳步聲響...
    開封第一講書人閱讀 33,057評(píng)論 1 270
  • 我被黑心中介騙來泰國(guó)打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留烤惊,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 48,237評(píng)論 3 371
  • 正文 我出身青樓吁朦,卻偏偏與公主長(zhǎng)得像柒室,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子逗宜,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,976評(píng)論 2 355