空间转录组学习——数据探索

本篇博客记录空间转录组数据的初步学习，使用数据为华大stereopy（https://stereopy.readthedocs.io/en/latest/index.html）中的Example数据，通过华大云盘下载。

数据概览

在华大云盘下载好数据，数据如下所示：

1、genes.gtf

gtf: gene transfer format，主要用于对基因的注释，对染色体上的基因进行标注。
通常包括9列内容（用Tab键隔开）：

属性	解释
seqname	序列名称，格式为染色体ID或者contig ID
source	注释来源，通常是预测软件名或公共数据库
type	注释信息的类型，如gene，transcript，exon，CDS，UTR，start_codon，stop_codon，Selenocysteine
start	开始位点
end	结束位点
score	表示对该类型存在性及其坐标的可信度，非必须，可用.代替
strand	链的正向与负向，用±号表示
frame	密码子偏移，0、1、2
attributes	必须有：gene_id value： 表示转录本在基因组上的基因座的唯一的ID。用空格分开，如果值为空，则表示没有对应的基因。预测的转录本的唯一ID。transcript_id value：transcript_id与value值用空格分开，空表示没有转录本。

genes.gtf文件中，数据如下所示。

#!genome-build GRCm38.p6
#!genome-version GRCm38
#!genome-date 2012-01
#!genome-build-accession NCBI:GCA_000001635.8
#!genebuild-last-updated 2018-03
1	ensembl_havana	gene	3205901	3671498	.	-	.	gene_id "ENSMUSG00000051951"; gene_version "5"; gene_name "Xkr4"; gene_source "ensembl_havana"; gene_biotype "protein_coding"
1	havana	transcript	3205901	3216344	.	-	.	gene_id "ENSMUSG00000051951"; gene_version "5"; transcript_id "ENSMUST00000162897"; transcript_version "1"; gene_name "Xkr4"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "Xkr4-203"; transcript_source "havana"; transcript_biotype "processed_transcript"; transcript_support_level "1"
1	havana	exon	3213609	3216344	.	-	.	gene_id "ENSMUSG00000051951"; gene_version "5"; transcript_id "ENSMUST00000162897"; transcript_version "1"; exon_number "1"; gene_name "Xkr4"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "Xkr4-203"; transcript_source "havana"; transcript_biotype "processed_transcript"; exon_id "ENSMUSE00000858910"; exon_version "1"; transcript_support_level "1"

2、SS200000135TL_D1.cellbin.gem

GEM文件包括GeneID、x、y、count
x, y表示基因在组织结构中的空间位置，count表示基因表达数量。
SS200000135TL_D1.cellbin.gem文件部分数据如下所示：

#FileFormat=GEMv0.1
#SortedBy=None
#BinSize=1
#STOmicsChip=SS200000135TL_D1
#OffsetX=0
#OffsetY=0
geneID	x		y		MIDCount	ExonCount	CellID
Gm42418	7566	19775	1			1			56203
Camk1d	7566	19777	1			0			56203
Gabra1	7567	19777	1			1			56203
Cmss1	7469	19720	1			0			56202
Purb	7469	19720	1			1			56202
Ptgds	7470	19720	1			1			56202

3、SS200000135TL_D1.tissue.gef

文件组织详见 https://www.processon.com/view/link/610cc49c7d9c087bbd1ab7ab#map

数据预处理

Quality control

n_genes_by_counts: the number of genes expressed in the count matrix
total_counts: the total counts per cell
pct_counts_mt: the percentage of counts in mitochondrial genes

小提琴图（qc distribution）

绘制连续型数据的方法，可以认为是箱形图和和密度图的结合体。
1、中位数：小提琴图上的一个白点
2、四分位数范围：小提琴中心的黑线条
3、较低、较高的相邻值：第一四分位数-1.5IQR、第三四分位数+1.5IQR，位于之外的值可视为离群值。
4、小提琴图中较宽的部分代表观测值取值的概率较高，较窄的部分则对应较低的概率。
参考自：https://zhuanlan.zhihu.com/p/376055263