空間轉(zhuǎn)錄組與單細胞轉(zhuǎn)錄組關聯(lián)分析方法

今天給大家介紹的是BMKMANU S1000空間轉(zhuǎn)錄組數(shù)據(jù)與單細胞轉(zhuǎn)錄組數(shù)據(jù)的關聯(lián)分析。在我們的關聯(lián)分析中可以使用不同分辨率的空間數(shù)據(jù)分別與單細胞數(shù)據(jù)進行關聯(lián)分析，本次我們使用spatialDWLS進行100μm關聯(lián)分析，下周我們則會推出多級分辨率下的關聯(lián)分析。詳細分析流程如下所示：

spatialDWLS

spatialDWLS首先使用細胞類型富集分析方法來確定哪些類型的細胞在每個位置具有較高的概率，然后使用阻尼加權最小二乘法（DWLS）的擴展來確定指定位置的細胞類型的組成。與現(xiàn)有的去卷積方法相比，關鍵區(qū)別在于SpatialDWLS包含額外的過濾步驟，以去除不相關的細胞類型，從而增強特異性。

1、單細胞數(shù)據(jù)格式要求

（1）data 1 聚類和注釋結(jié)果（sc_meta.txt）

（2）data 2 基因表達矩陣（all_cells_count_matrix_filtered.tsv）

2、空間數(shù)據(jù)格式要求

（1）data 1 空間spots位置文件（loc.txt）

（2）data 2 基因表達矩陣（exp.txt）

#安裝Giotto

library(devtools) ?# if not installed: install.packages(‘devtools’)

library(remotes) ?# if not installed: install.packages(‘remotes’)

remotes::install_github(“RubD/Giotto”)

#加載R包

library(Seurat)

library(SingleR)

library(celldex)

library(Giotto)

library(ggplot2)

library(scatterpie)

library(data.table)

library(tibble)

#單細胞數(shù)據(jù)分析

#讀入單細胞數(shù)據(jù)

sc_meta<-read.table(“../sc_meta.txt”,header?=?F,row.names?=?1,sep=”\t”)

sc_data<-read.table(“../all_cells_count_matrix_filtered.tsv”,header?=?T,row.names?=?1)

#設置python路徑

my_python_path?=?“/xxx/software/miniconda3/bin/python”

instrs?=?createGiottoInstructions(python_path?=?my_python_path)

#創(chuàng)建Giotto 對象

sc?<-?createGiottoObject(raw_exprs?=?sc_data,instructions?=?instrs)

#表達數(shù)據(jù)標準分析

sc?<-?normalizeGiotto(gobject?=?sc, scalefactor?=?6000, verbose?=?T)

sc?<-?calculateHVG(gobject?=?sc, save_plot?=?TRUE,save_param=list(save_name=”sc_HVGplot”))

gene_metadata?=?fDataDT(sc)

featgenes?=?gene_metadata[hvg?==?‘yes’]$gene_ID

sc?<-?runPCA(gobject?=?sc, genes_to_use?=?featgenes, scale_unit?=?F)

signPCA(sc, genes_to_use?=?featgenes, scale_unit?=?F, save_plot?=?TRUE, ?save_param=list(save_name=”sc_signPCAplot”))

#使用Giotto中的DEG函數(shù)計算用于去卷積的Sig

sc@cell_metadata$leiden_clus?<-?as.character(sc_meta$V3)

scran_markers_subclusters?=?findMarkers_one_vs_all(gobject?=?sc,

method?=?‘scran’,

expression_values?=?‘normalized’,

cluster_column?=?‘leiden_clus’)

Sig_scran?<-?unique(scran_markers_subclusters$genes[which(scran_markers_subclusters$ranking?<=?100)])

#計算每種細胞類型中特征基因的表達中值

norm_exp<-2^(sc@norm_expr)-1

id<-sc@cell_metadata$leiden_clus

ExprSubset<-norm_exp[Sig_scran,]

Sig_exp<-NULL

for?(i?in?unique(id)){

Sig_exp<-cbind(Sig_exp,(apply(ExprSubset,1,function(y) mean(y[which(id==i)]))))

}

colnames(Sig_exp)<-unique(id)

#空間數(shù)據(jù)分析

#讀入數(shù)據(jù)

spatial_loc<-read.table(file=”loc.txt”,header?=?F)

spatial_exp<-read.table(file=”exp.txt”,header?=?T,row.names?=?1)

#創(chuàng)建Giotto對象

st?<-?createGiottoObject(raw_exprs?=?spatial_exp,spatial_locs?=?spatial_loc,

instructions?=?instrs)

#對空間數(shù)據(jù)進行過濾，均一化和聚類

st?<-?filterGiotto(gobject?=?st,

expression_threshold?=?1,

gene_det_in_min_cells?=?5,

min_det_genes_per_cell?=?100,

expression_values?=?c(‘raw’),

verbose?=?T)

st?<-?normalizeGiotto(gobject?=?st)

st?<-?calculateHVG(gobject?=?st, save_plot?=?TRUE, save_param=list(save_name=”st_HVGplot”))

gene_metadata?=?fDataDT(st)

featgenes?=?gene_metadata[hvg?==?‘yes’]$gene_ID

st?<-?runPCA(gobject?=?st, genes_to_use?=?featgenes, scale_unit?=?F)

signPCA(st, genes_to_use?=?featgenes, scale_unit?=?F, save_plot?=?TRUE,save_param=list(save_name=”st_signPCAplot”))

st?<-?createNearestNetwork(gobject?=?st, dimensions_to_use?=?1:10, k?=?10)

st?<-?doLeidenCluster(gobject?=?st, resolution?=?0.5, n_iterations?=?1000)

#基于單細胞數(shù)據(jù)的基因表達特征和空間數(shù)據(jù)的Giotto對象進行去卷積分析

st?<-?runDWLSDeconv(gobject?=?st, sign_matrix?=?Sig_exp)

#可視化展示

plot_data?<-?as.data.frame(st@spatial_enrichment$DWLS)[-1]

plot_col?<-?colnames(plot_data)

plot_data$x?<-?as.numeric(as.character(st@spatial_locs$sdimx))

plot_data$y?<-?as.numeric(as.character(st@spatial_locs$sdimy))

min_x?<-?min(plot_data$x)

plot_data$radius?<-?7

df?<-?data.frame()

p?<-?ggplot(df) +?geom_point() +?xlim(min(plot_data$x)-7, max(plot_data$x)+7) +?ylim(min(plot_data$y)-7, max(plot_data$y)+7)

p?<-?p?+?geom_scatterpie(aes(x=x, y=y, r=radius), data=plot_data, cols=plot_col, color=NA, alpha=.8) +scale_y_reverse()+

geom_scatterpie_legend(plot_data$radius, x=1, y=1) +

scale_fill_manual(values?=?c(“#F56867″,”#FEB915″,”#C798EE”,”#59BE86″,”#7495D3″,”#D1D1D1″,”#6D1A9C”,”#15821E”,”#3A84E6″,”#997273″,”#787878″,”#DB4C6C”,”#9E7A7A”,”#554236″))+

theme_classic()

ggsave(p, filename?=?“plot.pdf”,height=8,width=5)