hello,今天分享一个重要的内容,在空间上寻求基因的相关性,当然,也可以利用这个方法寻找我们的空间细胞“单元”,我们来看看详细的分析。
我们知道,空间分析中常见的是解析每个spot中的细胞数,这是往细了做。而临近的细胞放到一个bin中获得概览,不仅是在可视化方面,在数据集大了之后,这种分箱的操作可以减少维度。这种分析方法或可叫做spotbinning抑或是pseudospot。之所以产生这个联想是因为之前做宏基因组的时候做过Contigbinning。今天我们就来看看spotBinning 在空间数据中的应用,主角是:同属于Seurat生态的schex ,起初,schex 拟解决单细胞转录组图谱(tsne/umap)中细胞重叠的问题。如:
library(Seurat)
library(SeuratData)
data("pbmc_small")
pbmc3k.final <- make_hexbin(pbmc3k.final, 10, dimension_reduction = "PCA")
p1 <- DimPlot(pbmc3k.final,reduction = 'pca')
p2 <- plot_hexbin_density(pbmc3k.final)
p1+p2
可以看到schex在pca空间中将细胞点划分为不同的区域,并计算了该区域的细胞数。当然,如果我们把pca空间换成空间位置信息,自然也是可以做类似的操作的。而空间位置的点,往往是均匀分布的,所以每个bin(箱子)可以看作是重采样的过程。下面我们就来做一下这个演示:
载入空间数据并作标准计算:
SeuratData::AvailableData()
stxBrain.SeuratData::anterior1 -> Brain
Brain <- FindVariableFeatures(Brain)
Brain %>% NormalizeData() %>%
ScaleData() %>%
RunPCA() ->Brain
Brain %>% FindNeighbors(dims=1:20) %>%
FindClusters() ->Brain
坐标替换:
Brain@reductions$sptial <- Brain@reductions$pca
# head(Brain@[email protected])
Brain@reductions$