作者，追风少年i~
hello，周四了，已经7月下旬了，有些难道真的是命中注定？？再怎么努力也没用？？
好了，今天我们来分享关于空间CNV的分析内容，其实一开始对于空间转录组能否做CNV是存疑的，空间转录组的每个spot包含不止一个细胞，尤其肿瘤细胞，包含的细胞更多，这样的话，如何选择合适的ref？？分析出来的inferCNV是否是真的呢？？
关于CNV，有很多的基础知识需要大家补充，文章列在下面，供大家参考：
10X单细胞个性化分析之CNV篇
10X单细胞（10X空间转录组）CNV分析之inferCNVpy
10X单细胞（10X空间转录组）CNV分析回顾之CopyKAT
10X空间转录组CNV和速率分析的空间图谱
10X空间转录组数据分析之CNV事件的spatial landscape
10X单细胞（10X空间转录组）数据分析之识别肿瘤细胞的CNV分析原理
10X空间转录组数据推断基因拷贝数畸变（copy number aberrations）CNA
copyKAT推断单细胞转录组肿瘤细胞CNV（自动识别肿瘤normal和tumor）
其中的关键在于我们要知道CNV分析的原理和算法，下图是CNV分析的效果图
单细胞CNV
那么，我们就要知道空间数据是如何分析CNV的，其实最开始的想法就是参考单细胞的方法，inferCNV分析推断，在文章Comprehensive Analysis of Spatial Architecture in Primary Liver Cancer中就使用的这个方法，不过同时采用外显子数据来辅助验证准确性，分析结果如下：
空间CNV
这里注意一下细节，通过使用 infercnv 的方法，基于它们的转录组谱估计每个肿瘤spot的 CNV。 首先，对于每位患者，将其 N（Normal，正常组织） 切片中的正常肝细胞spot定义为正常参考。 然后，所有分析的基因按它们在染色体中的位置进行排序，并在它们上应用 100 个基因的滑动窗口来计算它们的移动平均表达值，从而估计初始拷贝数。 通过从肿瘤cluster spot中减去正常参考拷贝数谱，得到了肿瘤点的 CNV 估计。 为了减少 dropout 的影响，利用点的共享最近邻 (SNN) 关系，并通过计算每个点及其 SNN 的加权平均值来进一步平滑每个spot的 CNV。
为了确认从 ST 数据推断的 CNV 结果，还对相应患者的 PBMC、正常切片、肿瘤切片和前缘切片的正常/肿瘤区域进行了bulk WES。 然后，使用 CNVkit 软件（稳定版）从配对的肿瘤正常 WES 数据中调用肿瘤大样本的拷贝数变化。 采用 PBMC 的法线参考或法线截面数据可以产生类似的结果。 此外，对于派生的 log2 复制率结果，检测和过滤异常值。
其实就是两点1、正常组织作为ref；2、空间聚类的结果识别CNV。
上述的方法已经得到了认证，但是使用的情况并不多。
在文章Spatiotemporal heterogeneity of glioblastoma is dictated by microenvironmental interference中进一步扩展了空间CNV的分析，分析结果如下图：
空间CNV图谱
从空间层面解读CNV事件
空间CNV图谱
空间CNV图谱
我们也要注意一下其中的分析细节，对于 CNV 分析，采用了SPATA软件（大家可以参考文章10X空间转录组轨迹分析之SPATA）。通过将基因与其染色体位置对齐并对相对表达值应用移动平均值来估计拷贝数变异 (CNV)，每个染色体内有 100 个基因的滑动窗口。首先，使用 InferCNV 包（R 软件）根据它们各自的基因组定位排列基因。作为非恶性细胞的参考集，使用了来自非恶性皮层样本的空间转录组数据集。为了避免任何特定基因对移动平均值的相当大的影响，我们通过使用 infercnv 包（R-software ）。如先前报道，这仅在 CNV 估计的背景下进行。导出的 .RDS 文件被重新导入并按估计的 CNV 改变的染色体平均值进行分组，并使用 SPATA 对象的 fdata 槽与其空间位置对齐。使用 SPATA::joinWithFeatures() 函数提取聚类比较。
也是需要注意两点，1、来自非恶性皮层样本的空间转录组数据集作为ref；2、空间聚类的信息也有被利用到。
接下来有的文章进一步扩展，扩展到更为精细的全图谱。在文章The spatial landscape of clonal somatic mutations in benign and malignant tissue中，研究空间CNV事件的分布与活性，组织区域的CNV事件分布与活性差异很大，CNV事件的空间图谱有利于我们对疾病的认知和诊断，甚至治疗。如下图：
空间CNV全图谱
详细分析了不同区域的CNV事件
图片.png
图片.png
图片.png
同时，我们也要注意一下细节，其中文章就用到了专门针对空间CNV分析的软件---SpatialInferCNV，在inferCNV上进行了扩展，其中最关键的还是上述两点1、正常组织作为ref；2、空间聚类的结果识别CNV，感兴趣的同学可以参考网址SpatialInferCNV。
好了，已经分享给大家了，生活很好，有你更好，百度文库出现了大量抄袭我的文章，对此我深表无奈，我写的文章，别人挂上去赚钱，抄袭可耻，挂到百度文库的人更可耻
网友评论