思考題：

+ 如何將空間數(shù)據(jù)與表達數(shù)據(jù)關(guān)聯(lián)在一起？
+ 有了空間轉(zhuǎn)錄組數(shù)據(jù)，如何與單細胞轉(zhuǎn)錄組數(shù)據(jù)聯(lián)用？
+ 做了多層切片如何展示真實的三維空間的轉(zhuǎn)錄本信息？

隨著轉(zhuǎn)錄組技術(shù)的發(fā)展跃洛，空間轉(zhuǎn)錄組已經(jīng)正式走向商業(yè)化時代，作為單細胞數(shù)據(jù)分析的工具箱的Seurat與時俱進玛追，也相應地開發(fā)了空間轉(zhuǎn)錄組分析的一套函數(shù)税课，讓我們跟隨卑微小王看看Seurat官網(wǎng)教程吧。

本教程演示如何使用Seurat v3.2分析空間解析的RNA-seq數(shù)據(jù)痊剖。雖然分析流程類似于Seurat的單細胞RNA-seq分析流程韩玩，但我們引入了交互可視化工具，特別強調(diào)了空間和分子信息的集成陆馁。本教程將介紹以下任務找颓，我們相信這些任務在許多空間分析中都很常見:

• 歸一化
• 降維與聚類
• 檢測spatially-variable特性
• 交互式可視化
• 與單細胞RNA-seq數(shù)據(jù)集成
• 處理多個片（multiple slices）

我們分析了使用來自10x Genomics 的Visium技術(shù)（Visium technology）生成的數(shù)據(jù)集。我們將在不久的將來擴展Seurat以處理其他數(shù)據(jù)類型叮贩，包括SLIDE-Seq击狮、STARmap和MERFISH佛析。

安裝

devtools::install_github("satijalab/seurat", ref = "spatial")

這種方法，只能只能好運彪蓬。直接下載安裝包寸莫，本地安裝。在遇到問題的時候档冬，假裝這是你寫的R包參考《R包開發(fā)》這本書膘茎，嘗試本地重構(gòu)：

devtools::load_all('H:\\singlecell\\Seurat\\seurat-master\\seurat')

但是，一般用不到這么復雜酷誓，下載安裝包披坏，本地安裝基本就可以了：

[https://codeload.github.com/satijalab/seurat/legacy.tar.gz/spatial](https://codeload.github.com/satijalab/seurat/legacy.tar.gz/spatial)  # 下載地址
install.packages("H:/singlecell/Seurat/satijalab-seurat-v3.1.1-302-g1cb8a3d.tar.gz", repos = NULL, type = "source")

注意，別和之前的包安裝沖突啦盐数，這個3.2還處在開發(fā)中（2019-12-19）

library(Seurat)
library(SeuratData)
library(ggplot2)
library(cowplot)
library(dplyr)

數(shù)據(jù)集

和以往一樣棒拂，seurat為了使其教程的可用，會提供測試的已發(fā)表的數(shù)據(jù)集玫氢。在這里帚屉，我們將使用最新發(fā)布的使用Visium v1化學生成的sagital小鼠大腦切片數(shù)據(jù)集。有兩個連續(xù)的前段和兩個(匹配的)連續(xù)的后段漾峡。

您可以在這里here下載數(shù)據(jù)涮阔，并使用Load10X_Spatial函數(shù)將其加載到Seurat。這將讀取spaceranger管道的輸出灰殴，并返回Seurat對象，該對象包含spot級別的表達數(shù)據(jù)以及相關(guān)的組織切片圖像掰邢。您還可以使用我們的SeuratData包方便地訪問數(shù)據(jù)牺陶，如下所示。安裝數(shù)據(jù)集之后辣之，可以鍵入?stxBrain以了解更多信息掰伸。

InstallData("stxBrain")

每次我在國內(nèi)直接用這種方法下載數(shù)據(jù)集都沒有成功，如上怀估，下載安裝包狮鸭，本地安裝：

 install.packages("H:/singlecell/Seurat/stxBrain.SeuratData_0.1.1.tar.gz", repos = NULL, type = "source")
brain <- LoadData("stxBrain", type = "anterior1")

當然，我們不推薦這種讀取數(shù)據(jù)的方法多搀，畢竟沒有人把我們的數(shù)據(jù)也打包成一個R包的樣子歧蕉，我們拿到的是10 X Space Ranger的輸出結(jié)果：

├── analysis
│?? ├── clustering
│?? ├── diffexp
│?? ├── pca
│?? ├── tsne
│?? └── umap
├── cloupe.cloupe
├── filtered_feature_bc_matrix
│?? ├── barcodes.tsv.gz
│?? ├── features.tsv.gz
│?? └── matrix.mtx.gz
├── filtered_feature_bc_matrix.h5
├── metrics_summary.csv
├── molecule_info.h5
├── possorted_genome_bam.bam
├── possorted_genome_bam.bam.bai
├── raw_feature_bc_matrix
│?? ├── barcodes.tsv.gz
│?? ├── features.tsv.gz
│?? └── matrix.mtx.gz
├── raw_feature_bc_matrix.h5
├── spatial  # 空間信息全在這 :這些文件是用戶提供的原始全分辨率brightfield圖像的下采樣版本。
下采樣是通過box濾波實現(xiàn)的康铭，它對全分辨率圖像中像素塊的RGB值進行平均惯退，得到下采樣圖像中一個像素點的RGB值。
│?? ├── aligned_fiducials.jpg   這個圖像的尺寸是tissue_hires_image.png从藤。由基準對齊算法發(fā)現(xiàn)的基準點用紅色高亮顯示催跪。此文件對于驗證基準對齊是否成功非常有用锁蠕。
│?? ├── detected_tissue_image.jpg
│?? ├── scalefactors_json.json
│?? ├── tissue_hires_image.png 圖像的最大尺寸為2,000像素 
│?? ├── tissue_lowres_image.png 圖像的最大尺寸為600像素。
│?? └── tissue_positions_list.csv
└── web_summary.html

其實只要 Space Ranger的輸出結(jié)果 filtered_feature_bc_matrix.h5文件和一個spatial文件夾就可以了懊蒸，一如荣倾？stxBrain中給出的示例：

setwd("H:\\singlecell\\spaceranger\\V1_Mouse_Brain_Sagittal_Anterio/")
  # Load the expression data
  expr.url <- 'H:\\singlecell\\spaceranger\\V1_Mouse_Brain_Sagittal_Anterio/V1_Mouse_Brain_Sagittal_Anterior_filtered_feature_bc_matrix.h5'
  expr.data <- Seurat::Read10X_h5(filename =  expr.url )
  anterior1 <- Seurat::CreateSeuratObject(counts = expr.data, project = 'anterior1', assay = 'Spatial')
  anterior1$slice <- 1
  anterior1$region <- 'anterior'
  # Load the image data
  img.url <- 'H:\\singlecell\\spaceranger\\V1_Mouse_Brain_Sagittal_Anterio/V1_Mouse_Brain_Sagittal_Anterior_spatial.tar.gz'
  untar(tarfile =  img.url)
  img <- Seurat::Read10X_Image(image.dir = 'H:\\singlecell\\spaceranger\\V1_Mouse_Brain_Sagittal_Anterio/spatial')
  Seurat::DefaultAssay(object = img) <- 'Spatial'
  img <- img[colnames(x = anterior1)]
  anterior1[['image']] <- img

  anterior1

An object of class Seurat 
31053 features across 2696 samples within 1 assay 
Active assay: Spatial (31053 features)

}

如果這兩個文件在同一個文件下的話，也可以這樣讀入：

list.files("H:\\singlecell\\spaceranger\\V1_Mouse_Brain_Sagittal_Anterio") # 注意命名要正確

# [1] "filtered_feature_bc_matrix.h5"                                  "spatial"                                                       
# [3] "V1_Mouse_Brain_Sagittal_Anterior_filtered_feature_bc_matrix.h5" "V1_Mouse_Brain_Sagittal_Anterior_spatial.tar.gz"  

brain<-Seurat::Load10X_Spatial("H:\\singlecell\\spaceranger\\V1_Mouse_Brain_Sagittal_Anterio") 
骑丸？Load10X_Spatial
brain


An object of class Seurat 
31053 features across 2696 samples within 1 assay 
Active assay: Spatial (31053 features)

空間數(shù)據(jù)如何存儲在Seurat中?

來自10x的visium數(shù)據(jù)包括以下數(shù)據(jù)類型:

• 通過基因表達矩陣得到一個點(spot )
• 組織切片圖像(采集數(shù)據(jù)時H&E染色)
• 用于顯示的原始高分辨率圖像與低分辨率圖像之間的比例因子舌仍。

在Seurat對象中，spot by基因表達矩陣與典型的“RNA”分析類似者娱，但包含spot水平抡笼，而不是單細胞水平的數(shù)據(jù)。圖像本身存儲在Seurat對象中的一個images 槽（slot ）中黄鳍。圖像槽還存儲必要的信息推姻，以將斑點與其在組織圖像上的物理位置相關(guān)聯(lián)。

數(shù)據(jù)預處理

在spot中基因表達數(shù)據(jù)進行初始的預處理步驟與典型的scRNA-seq相似框沟。我們首先需要對數(shù)據(jù)進行規(guī)范化藏古，以考慮數(shù)據(jù)點之間測序深度的差異。我們注意到忍燥，對于空間數(shù)據(jù)集來說拧晕，分子數(shù)/點的差異可能是巨大的，特別是在整個組織的細胞密度存在差異的情況下梅垄。我們在這里看到大量的異質(zhì)性厂捞，這需要有效的標準化。

熟悉的函數(shù)名~

plot1 <- VlnPlot(brain, features = "nCount_Spatial", pt.size = 0.1) + NoLegend()
plot2 <- SpatialFeaturePlot(brain, features = "nCount_Spatial") + theme(legend.position = "right")
plot_grid(plot1, plot2)

這些圖表明队丝，分子計數(shù)（molecular counts）在點間的差異不僅是技術(shù)性的靡馁，而且還依賴于組織解剖。例如机久，組織中神經(jīng)元消耗的區(qū)域(如皮層白質(zhì))臭墨，可再生地顯示出較低的分子計數(shù)。因此膘盖，標準方法(如LogNormalize函數(shù))可能會有問題胧弛，因為它會強制每個數(shù)據(jù)點在標準化之后具有相同的底層“大小”。

作為一種替代方法侠畔，我們推薦使用sctransform (Hafemeister和Satija，已出版)软棺，它構(gòu)建了基因表達的正則化負二項模型，以便在保留生物差異的同時考慮技術(shù)因素德崭。有關(guān)sctransform的更多信息，請參見 here的預印和here的Seurat教程锌奴。sctransform將數(shù)據(jù)歸一化，檢測高方差特征憾股，并將數(shù)據(jù)存儲在SCT分析中鹿蜀。

brain <- SCTransform(brain, assay = "Spatial", return.only.var.genes = FALSE, verbose = FALSE)

sct 與log-歸一化相比，結(jié)果如何?

為了探究規(guī)范化方法的不同服球，我們研究了sctransform和log規(guī)范化結(jié)果如何與UMIs的數(shù)量相關(guān)茴恰。為了進行比較，我們首先重新運行sctransform來存儲所有基因的值(這將會比較慢)斩熊，并通過NormalizeData運行一個log規(guī)范化過程往枣。

# rerun normalization to store sctransform residuals for all genes
brain <- SCTransform(brain, assay = "Spatial", return.only.var.genes = FALSE, verbose = FALSE)
# also run standard log normalization for comparison
brain <- NormalizeData(brain, verbose = FALSE, assay = "Spatial")

# Computes the correlation of the log normalized data and sctransform residuals with the number
# of UMIs
brain <- GroupCorrelation(brain, group.assay = "Spatial", assay = "Spatial", slot = "data", do.plot = FALSE)
brain <- GroupCorrelation(brain, group.assay = "Spatial", assay = "SCT", slot = "scale.data", do.plot = FALSE)
p1 <- GroupCorrelationPlot(brain, assay = "Spatial", cor = "nCount_Spatial_cor") + ggtitle("Log Normalization") + 
    theme(plot.title = element_text(hjust = 0.5))
p2 <- GroupCorrelationPlot(brain, assay = "SCT", cor = "nCount_Spatial_cor") + ggtitle("SCTransform Normalization") + 
    theme(plot.title = element_text(hjust = 0.5))
plot_grid(p1, p2)

對于上面的箱形圖，我們計算每個特征(基因)與UMIs數(shù)量(這里的nCount_Spatial變量)的相關(guān)性粉渠。然后分冈，我們根據(jù)基因的平均表達將它們分組，并生成這些相關(guān)性的箱形圖霸株。您可以看到雕沉，log-normalization未能充分規(guī)范化前三組的基因，這表明技術(shù)因素影響高表達基因的規(guī)范化表達估計值去件。相反坡椒，sctransform規(guī)范化降低了這種效果。差別真的很大么尤溜？讀者諸君自行判斷肠牲。

基因表達可視化

在Seurat v3.2中，我們加入了新的功能來探索和與空間數(shù)據(jù)固有的可視化特性靴跛。Seurat的SpatialFeaturePlot功能擴展了FeaturePlot，可以將表達數(shù)據(jù)覆蓋在組織組織上渡嚣。例如梢睛，在這組小鼠大腦數(shù)據(jù)中，Hpca基因是一個強的海馬marker 识椰，Ttr是一個脈絡叢marker 藏畅。

SpatialFeaturePlot(brain, features = c("Hpca", "Ttr"))

Seurat的默認參數(shù)強調(diào)分子數(shù)據(jù)的可視化绞蹦。然而幽七，你也可以調(diào)整斑點的大小(和它們的透明度)來改善組織學圖像的可視化澡屡，通過改變以下參數(shù):

• pt.size。因素-這將比例大小的斑點室埋。默認為1.6
• alpha -最小和最大透明度词顾。默認是c(1,1)
• 嘗試設置為alpha c(0.1, 1)肉盹，以降低表達式較低的點的透明度

降維上忍、聚類和可視化

然后，我們可以使用與scRNA-seq分析相同的工作流吓笙，對RNA表達數(shù)據(jù)進行降維和聚類面睛。我們可以在UMAP空間(使用DimPlot)或使用SpatialDimPlot將分群的結(jié)果顯示在圖像上叁鉴。

brain <- RunPCA(brain, assay = "SCT", verbose = FALSE)
brain <- FindNeighbors(brain, reduction = "pca", dims = 1:30)
brain <- FindClusters(brain, verbose = FALSE)
brain <- RunUMAP(brain, reduction = "pca", dims = 1:30)

Warning: The default method for RunUMAP has changed from calling Python UMAP via reticulate to the R-native UWOT using the cosine metric
To use Python UMAP via reticulate, set umap.method to 'umap-learn' and metric to 'correlation'
This message will be shown once per session
22:08:28 UMAP embedding parameters a = 0.9922 b = 1.112
22:08:28 Read 2696 rows and found 30 numeric columns
22:08:28 Using Annoy for neighbor search, n_neighbors = 30
22:08:28 Building Annoy index with metric = cosine, n_trees = 50
0%   10   20   30   40   50   60   70   80   90   100%
[----|----|----|----|----|----|----|----|----|----|
**************************************************|
22:08:30 Writing NN index file to temp file C:\Users\ADMINI~1\AppData\Local\Temp\Rtmp08OC2k\file3ddc1e802bb6
22:08:30 Searching Annoy index using 1 thread, search_k = 3000
22:08:31 Annoy recall = 100%
22:08:32 Commencing smooth kNN distance calibration using 1 thread
22:08:33 Initializing from normalized Laplacian + noise
22:08:33 Commencing optimization for 500 epochs, with 106630 positive edges
0%   10   20   30   40   50   60   70   80   90   100%
[----|----|----|----|----|----|----|----|----|----|
**************************************************|
22:08:50 Optimization finished

p1 <- DimPlot(brain, reduction = "umap", label = TRUE)
p2 <- SpatialDimPlot(brain, label = TRUE, label.size = 3)
plot_grid(p1, p2)

因為有許多顏色常侣，所以可視化哪個體素屬于哪個簇是很有挑戰(zhàn)性的袭祟。我們有一些策略來幫助解決這個問題您没。通過設置label參數(shù)氨鹏，可以在每個集群的中間位置放置一個彩色框(參見上面的圖)以及do.hover仆抵。SpatialDimPlot的懸停參數(shù)允許交互式查看當前的spot標識。

# move your mouse
SpatialDimPlot(brain, do.hover = TRUE)

Warning messages:
1: In if (is.na(col)) { :
  the condition has length > 1 and only the first element will be used
2: In if (is.na(col)) { :
  the condition has length > 1 and only the first element will be used
3: `error_y.color` does not currently support multiple values. 
4: `error_x.color` does not currently support multiple values. 
5: `line.color` does not currently support multiple values. 
6: The titlefont attribute is deprecated. Use title = list(font = ...) instead. 

你也可以使用cells.highlight莺匠，用于在空間坐標圖上劃分感興趣的特定單元格。這對于區(qū)分單個集群的空間定位非常有用遥缕，如下所示:

SpatialDimPlot(brain, cells.highlight = CellsByIdentities(object = brain, idents = c(1, 2, 5, 3, 
    4, 8)), facet.highlight = TRUE, ncol = 3)

LinkedDimPlot和LinkedFeaturePlot函數(shù)支持交互式可視化单匣。這些圖將UMAP表示與組織圖像表示聯(lián)系起來户秤，并允許交互選擇橱鹏。例如莉兰，您可以在UMAP圖中選擇一個區(qū)域杉辙，圖像表示中相應的點將突出顯示蜘矢。

LinkedDimPlot(brain)

空間變量特征的識別

Seurat提供了兩個工作流程來識別與組織空間位置相關(guān)的分子特征红碑。第一種是根據(jù)組織內(nèi)預先標注的解剖區(qū)域進行差異表達羡鸥，這種差異表達可以通過非監(jiān)督聚類或先驗知識來確定惧浴。這種策略在這種情況下有效，因為上面的集群顯示出明顯的空間差異芜茵。

de_markers <- FindMarkers(brain, ident.1 = 4, ident.2 = 6)

|++++++++++++++++++++++++++++++++++++++++++++++++++| 100% elapsed=37s  

SpatialFeaturePlot(object = brain, features = rownames(de_markers)[1:3], alpha = c(0.1, 1), ncol = 3)

在FindSpatiallyVariables中實現(xiàn)的另一種方法是在沒有預注釋的情況下搜索顯示空間模式的特性。默認的方法(method = 'markvariogram ')受到 Trendsceek,的啟發(fā)猪钮，后者將空間轉(zhuǎn)錄組學數(shù)據(jù)建模為標記點過程烤低，并計算一個' variogram '扑馁，它識別其表達水平取決于其空間位置的基因复罐。更具體地說，這個過程計算伽瑪(r)值乱投，測量兩個點之間一定的“r”距離的相關(guān)性。默認情況下嘹悼，我們在這些分析中使用的r值為‘5’杨伙，并且只計算可變基因的這些值(其中的變異是獨立于空間位置計算的)毁菱，以節(jié)省時間米死。

現(xiàn)在，我們可視化的表達前6個特征確定了這一措施贮庞。

brain <- FindSpatiallyVariableFeatures(brain, assay = "SCT", features = VariableFeatures(brain)[1:1000], 
    selection.method = "markvariogram")
top.features <- head(SpatiallyVariableFeatures(brain, selection.method = "markvariogram"), 6)
SpatialFeaturePlot(brain, features = top.features, ncol = 3, alpha = c(0.1, 1))

可視化解剖區(qū)域的子集

與單細胞對象一樣峦筒，您可以對該對象進行子集設置，以將重點放在數(shù)據(jù)的子集上窗慎。在這里物喷，我們大致劃分了額葉皮質(zhì)。這個過程也促進了這些數(shù)據(jù)與下一節(jié)的皮層scRNA-seq數(shù)據(jù)集的整合遮斥。首先尉辑，我們?nèi)〖旱囊粋€子集，然后根據(jù)精確的位置進一步細分。設置好亞組后乓旗，我們可以在完整圖像或裁剪圖像上看到皮質(zhì)細胞妆距。

cortex <- subset(brain, idents = c(1, 2, 3, 5, 6, 7))
# now remove additional cells, use SpatialDimPlots to visualize what to remove
# SpatialDimPlot(cortex,cells.highlight = WhichCells(cortex, expression = image_imagerow > 400 |
# image_imagecol < 150))
cortex <- subset(cortex, image_imagerow > 400 | image_imagecol < 150, invert = TRUE)
cortex <- subset(cortex, image_imagerow > 275 & image_imagecol > 370, invert = TRUE)
cortex <- subset(cortex, image_imagerow > 250 & image_imagecol > 440, invert = TRUE)

p1 <- SpatialDimPlot(cortex, crop = TRUE, label = TRUE)
p2 <- SpatialDimPlot(cortex, crop = FALSE, label = TRUE, pt.size.factor = 1, label.size = 3)
plot_grid(p1, p2)

與單細胞數(shù)據(jù)關(guān)聯(lián)分析（空間細胞類型定義）

在~50um時蓬推，visium檢測的斑點將包含多個細胞的表達譜。對于越來越多可用scRNA-seq數(shù)據(jù)的系統(tǒng)坟乾，用戶可能有興趣“反卷積”每個空間體素低葫，以預測單元類型的底層組成窒盐。在準備這篇文章的過程中姿锭，我們測試了各種各樣的脫卵方法和整合方法（decovonlution and integration methods），使用的是來自Allen研究所的參考scRNA-seq數(shù)據(jù)集（reference scRNA-seq dataset）撩扒，其中包含了大約14000只成年小鼠的皮層細胞分類，并使用SMART-Seq2 protocol 生成术裸。

我們一致認為答倡，使用集成方法(與反褶積方法相反)可以獲得更好的性能渤涌，這可能是因為空間和單細胞數(shù)據(jù)集的噪聲模型本質(zhì)上是不同的，而集成方法的特殊設計是為了對這些差異具有魯棒性。因此我們應用“錨”的集成工作流一如最近在 Seurat v3介紹的燕锥，使注釋的概率從一個reference 數(shù)據(jù)query 數(shù)據(jù)集轉(zhuǎn)移暇榴。因此,我們遵循這里介紹的標簽轉(zhuǎn)移流程,利用sctransform正常化,但預測新方法被開發(fā)來完成這項任務昭抒。

我們首先加載數(shù)據(jù)( here提供下載，我只能假裝我下載成功了^_)，預處理scRNA-seq 參考數(shù)據(jù)集渣锦，然后執(zhí)行標簽傳輸硝岗。該過程為每個spot輸出每個scRNA-seq派生類的概率分類。我們將這些預測添加到Seurat對象中作為新的試驗袋毙。

allen_reference <- readRDS("~/Downloads/allen_cortex.rds")
# note that setting ncells=3000 normalizes the full dataset but learns noise models on 3k cells
# this speeds up SCTransform dramatically with no loss in performance
library(dplyr)
allen_reference <- SCTransform(allen_reference, ncells = 3000, verbose = FALSE) %>% RunPCA(verbose = FALSE) %>% 
    RunUMAP(dims = 1:30)

# After subsetting, we renormalize cortex
cortex <- SCTransform(cortex, assay = "Spatial", verbose = FALSE) %>% RunPCA(verbose = FALSE)
# the annotation is stored in the 'subclass' column of object metadata
DimPlot(allen_reference, group.by = "subclass", label = TRUE)

anchors <- FindTransferAnchors(reference = allen_reference, query = cortex, normalization.method = "SCT")
predictions.assay <- TransferData(anchorset = anchors, refdata = allen_reference$subclass, prediction.assay = TRUE, 
    weight.reduction = cortex[["pca"]])
cortex[["predictions"]] <- predictions.assay

現(xiàn)在型檀，我們得到了每個班每個點的預測分數(shù)。在額葉皮層區(qū)域特別有趣的是層狀興奮性神經(jīng)元听盖。在這里胀溺，我們可以區(qū)分這些神經(jīng)元亞型的不同順序?qū)樱?

DefaultAssay(cortex) <- "predictions"
SpatialFeaturePlot(cortex, features = c("L2/3 IT", "L4"), pt.size.factor = 1.6, ncol = 2, crop = TRUE)

根據(jù)這些預測分數(shù)皆看，我們還可以預測位置受到空間限制的細胞類型仓坞。我們使用基于標記點過程的相同方法來定義空間變量特征，但使用細胞類型預測評分作為“標記”腰吟，而不是使用基因表達无埃。

cortex <- FindSpatiallyVariableFeatures(cortex, assay = "predictions", features = rownames(cortex), 
    r.metric = 5, slot = "data")
top.clusters <- head(SpatiallyVariableFeatures(cortex), 4)
SpatialPlot(object = cortex, features = top.clusters, ncol = 2)

最后，我們證明我們的整合程序能夠恢復已知的神經(jīng)元和非神經(jīng)元亞群的空間定位模式蝎困，包括層興奮性亞群、第1層星形膠質(zhì)細胞和皮層灰質(zhì)倍啥。

SpatialFeaturePlot(cortex, features = c("Astro", "L2/3 IT", "L4", "L5 PT", "L5 IT", "L6 CT", "L6 IT", 
    "L6b", "Oligo"), pt.size.factor = 1, ncol = 2, crop = FALSE, alpha = c(0.1, 1))

處理Seurat中的多個slices

這個老鼠大腦的數(shù)據(jù)集包含了另一個與大腦另一半相對應的切片禾乘。這里我們讀取它并執(zhí)行相同的初始規(guī)范化。

brain2 <- LoadData("stxBrain", type = "posterior1")
brain2 <- SCTransform(brain2, assay = "Spatial", verbose = FALSE)

為了處理同一個Seurat對象中的多個片虽缕，我們提供了merge函數(shù)始藕。其實之前就有的呀。

brain.merge <- merge(brain, brain2)

這樣就可以對底層的RNA表達數(shù)據(jù)進行聯(lián)合降維和聚類氮趋。

DefaultAssay(brain.merge) <- "SCT"
VariableFeatures(brain.merge) <- c(VariableFeatures(brain), VariableFeatures(brain2))
brain.merge <- RunPCA(brain.merge, verbose = FALSE)
brain.merge <- FindNeighbors(brain.merge, dims = 1:30)
brain.merge <- FindClusters(brain.merge, verbose = FALSE)
brain.merge <- RunUMAP(brain.merge, dims = 1:30)

最后伍派，可以在單個UMAP圖中共同可視化數(shù)據(jù)。SpatialDimPlot和SpatialFeaturePlot將默認將所有片繪制為列剩胁，將groupings/features 繪制為行诉植。

DimPlot(brain.merge, reduction = "umap", group.by = c("ident", "orig.ident"))

SpatialDimPlot(brain.merge)   

SpatialFeaturePlot(brain.merge, features = c("Hpca", "Plp1"))

我們要感謝Nigel Delaney和Stephen Williams對Seurat 分析空間數(shù)據(jù)代碼的有益反饋和貢獻。

我是教程官網(wǎng)昵观，點我直達