五邪蛔、手揮琵琶
跟步展臂 后坐引手 虛步合手
數(shù)據(jù)集
在這里续搀，我們將分析使用小鼠海馬體的Slide-seq v2生成的數(shù)據(jù)集舌剂。本教程將采用與10倍Visium數(shù)據(jù)的空間暈影大致相同的結(jié)構(gòu)疮丛，但專門針對特定于Slide-seq數(shù)據(jù)的演示進行了量身定制步清。
您可以使用我們的SeuratData包來輕松訪問數(shù)據(jù)管钳，如下所示。安裝數(shù)據(jù)集后玲献，您可以鍵入?ssHippo以查看用于創(chuàng)建Seurat對象的命令殉疼。
InstallData("ssHippo")
slide.seq <- LoadData("ssHippo")
數(shù)據(jù)預(yù)處理
通過基因表達數(shù)據(jù)對珠子進行的初始預(yù)處理步驟與其他空間Seurat分析和典型的scRNA-seq實驗相似。在這里捌年，我們注意到許多珠子的UMI計數(shù)特別低瓢娜，但選擇保留所有檢測到的珠子用于下游分析。
plot1 <- VlnPlot(slide.seq, features = "nCount_Spatial", pt.size = 0, log = TRUE) + NoLegend()
slide.seq$log_nCount_Spatial <- log(slide.seq$nCount_Spatial)
plot2 <- SpatialFeaturePlot(slide.seq, features = "log_nCount_Spatial") + theme(legend.position = "right")
wrap_plots(plot1, plot2)
image
然后礼预，我們使用sctransform標準化數(shù)據(jù)并執(zhí)行標準的scRNA-seq維數(shù)減少和聚類工作流眠砾。
slide.seq <- SCTransform(slide.seq, assay = "Spatial", ncells = 3000, verbose = FALSE)
slide.seq <- RunPCA(slide.seq)
slide.seq <- RunUMAP(slide.seq, dims = 1:30)
slide.seq <- FindNeighbors(slide.seq, dims = 1:30)
slide.seq <- FindClusters(slide.seq, resolution = 0.3, verbose = FALSE)
然后，我們可以在UMAP空間（使用DimPlot()）或在珠坐標空間使用來可視化聚類的結(jié)果SpatialDimPlot()托酸。
plot1 <- DimPlot(slide.seq, reduction = "umap", label = TRUE)
plot2 <- SpatialDimPlot(slide.seq, stroke = 0)
plot1 + plot2
image
SpatialDimPlot(slide.seq, cells.highlight = CellsByIdentities(object = slide.seq, idents = c(1,
6, 13)), facet.highlight = TRUE)
image
