10X空间转录组基因相关性分析之schex（寻找空间细胞单元）

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$