作者,Evil Genius
我们今年的课程就全部结束了，包括单细胞、空间、外显子的所有分析内容。现在是单细胞+时代，我们都身处这个潮流，大家有条件的话一定要抓住。
国庆了，好好休息一下，4季度，要冲刺了。
今天我们分享一个简单的内容。从空间解析转录组数据探索肿瘤空间结构的统计学习框架
参考文章
知识积累
- 肿瘤组织在肿瘤微环境(TME)中表现出复杂的空间结构。
- 整合单细胞转录组学和SRT数据来协调spot聚类和细胞型反卷积
- 细胞是生命的基本单位，执行多细胞生物生存所必需的基本功能。组织内细胞的空间组织对于形成高阶功能单位至关重要。例如，在免疫系统中，各种免疫细胞相互作用以协调病原体反应。同样，在神经系统中，不同类型的神经元相互交流，传递信号和处理信息。在癌症中，不受控制的细胞生长破坏了正常的细胞协调，导致肿瘤微环境(TME)内功能失调结构的发展。这些结构干扰生理过程，如代谢、循环和免疫反应。因此，了解细胞生态系统及其在复杂组织中的相互作用对于理解多细胞生物生物学和开发新的疾病治疗方法至关重要
- 空间转录组学技术的出现通过提供关于细胞类型组成和空间分布的全面信息，彻底改变了我们对复杂组织中细胞组织的理解。这些方法包括对组织切片上的转录组进行测序，并将转录组数据与空间位置相关联，从而深入了解细胞相互作用和空间排列
- 在空间基因组学中，空间域由各种细胞类型组成，类似于文档由不同的单词组成。每个空间域代表一个具有特定细胞类型组成的独特功能区，就像一个文档可能包含多个主要主题一样。
分析框架
- 基因表达和细胞类型组织为特征的空间cluster。
-
更加准确的识别空间域。
分析示例：胰腺导管腺癌肿瘤相关空间域的注释
分析示例:原发性肝癌TLSs的精确预测
空间衍生的基因signature提高了TLS预测的准确性
Illumination of cell-type architecture cross the TB
分析示例：结直肠癌与肝转移瘤空间域的比较
示例代码
##install.packages('devtools')
##devtools::install_github('compbioNJU/SpaTopic')
library(SpaTopic)
load("data/spot_clusters.rda")
load("data/spot_celltype.rda")
#spot_clusters[1:5,1:5]
# row col sizeFactor cluster.init spatial.cluster
#10x10 10 10 4.7761108 1 2
#10x13 10 13 1.0052199 2 2
#10x14 10 14 0.8106812 2 2
#10x15 10 15 0.4987377 2 2
#10x16 10 16 0.4346143 2 2
#spot_celltype[1:5,1:5]
# Acinar_cells Ductal_cells Cancer_clone_A Cancer_clone_B DCs
#10x10 5.838572e-02 0.2349066 1.365076e-03 3.892868e-04 0.165860789
#10x13 4.807943e-05 0.9984677 1.654640e-06 9.032885e-06 0.001244634
#10x14 4.701190e-02 0.8373601 4.846860e-03 9.009235e-04 0.003541947
#10x15 5.047613e-02 0.8020465 1.911570e-04 3.325224e-02 0.084113110
#10x16 4.694120e-03 0.9718078 1.719378e-06 6.266388e-04 0.007665514
#result_list: A list with three data frame and one vector.
#MetaTopic is a data frame which can be add to a Seurat object.
#The domain_topic is a data frame, row is CellTopic. and col is domain.
#The celltype_topic is a data frame, row is celltype and col is CellTopic.
#Cell_topic is a vector of which topic be chosen in each CellTopic.
#If meta.cell = TRUE, one more result will be given in result list, MetaTopic is a data frame of the cluster result of CellTopic.
result_list <- CellTopic(spot_celltype,spot_clusters,cluster = "spatial.cluster", num_topics = 13,percent = 0.7,
Binarization = FALSE, meta.cell = FALSE, k = NULL)
#show the result
head(result_list[["CellTopic"]])
CellTopic CellTopic1 CellTopic2 CellTopic3 CellTopic4
10x10 CellTopic2 0.577382618544802 0.787303032098654 0.0080170243865711 0.0853445821596965
10x13 CellTopic2 0.577382618544802 0.787303032098654 0.0080170243865711 0.0853445821596965
10x14 CellTopic2 0.577382618544802 0.787303032098654 0.0080170243865711 0.0853445821596965
10x15 CellTopic2 0.577382618544802 0.787303032098654 0.0080170243865711 0.0853445821596965
10x16 CellTopic2 0.577382618544802 0.787303032098654 0.0080170243865711 0.0853445821596965
10x17 CellTopic2 0.577382618544802 0.787303032098654 0.0080170243865711 0.0853445821596965
head(result_list[["domain_topic"]])
spot_domain_1 spot_domain_2 spot_domain_3 spot_domain_4
CellTopic1 0.78207686 0.577382619 0.174953872 0.10799194
CellTopic2 0.44211741 0.787303032 0.007438506 0.06603564
CellTopic3 0.12712585 0.008017024 0.787181571 0.03422577
CellTopic4 0.05105707 0.085344582 0.018005238 0.78840065
head(result_list[["celltype_topic"]])
CellTopic1 CellTopic2 CellTopic3 CellTopic4
Acinar_cells 0.04503436 0.03515437 5.404895e-02 0.17033144
Ductal_cells 0.11062714 0.14213899 3.273553e-06 0.02809054
Cancer_clone_A 0.03090381 0.02157599 1.770954e-01 0.01540925
Cancer_clone_B 0.02943409 0.01671419 1.662732e-01 0.01086386
DCs 0.07268275 0.06557971 2.767503e-02 0.14179855
Tuft_cells 0.06113322 0.04374492 5.155769e-02 0.14100323
head(result_list[["Cell_topic"]])
CellTopic1 CellTopic2 CellTopic3 CellTopic4
"3_11_4_5_7_2" "2_8_1_11_3" "9_12" "13_10"
网友评论