空间转录组数据分析之空间基因梯度（STG）

作者，Evil Genius

太原的天气还是有点冷~~~~

今天我们要实现的目标

Spatial relationship between gradients and tumor boundary

实现的效果

方法可以魔改，我们可以看基因、细胞、通路的空间等级

看起来和之前分享的空间向量场差不多，但是还是有很大的区别。

关于NMF也分享了很多，

借助NMF的力量对单细胞RNA和单细胞ATAC进行联合分析

10X单细胞（10X空间转录组）数据分析之Consensus Non-negative Matrix factorization (cNMF)

10X单细胞（10X空间转录组）分析回顾之harmony的各种运用（联合NMF和python的harmonypy）

10X单细胞（10X空间转录组）分析之寻找目标bases基因集（factors）（PNMF）

10X单细胞（10X空间转录组）数据分析之NMF寻找转录programs

10X单细胞（10X空间转录组）数据分析之主成分分析（PCA）与因子分析（NMF）

10X单细胞（10X空间转录组）数据分析总结之各种NMF

10X单细胞（10X空间转录组）之NMF的实际运用示例（探索肿瘤特征）

10X单细胞（10X空间转录组）数据分析之NMF（非负矩阵分解）

先来学学基础知识

细胞组成和信号传导在不同的生态位中有所不同，这可以诱导细胞亚群中基因表达的梯度。这种空间转录组梯度(STG)是肿瘤内异质性的重要来源，可以影响肿瘤的侵袭、进展和对治疗的反应。

肿瘤组织包含异质性细胞群，在复杂的细胞微环境中具有不同的转录、遗传和表观遗传特征。解剖这种多因素的肿瘤内异质性(ITH)是了解肿瘤发生、转移和治疗耐药性的基础。细胞中转录变异的一个来源是它们的微环境，微环境通过不同的方式塑造基因表达，如细胞间通讯(如配体受体信号)或局部信号提示(如pH值、氧、代谢物)。因此，一些细胞会随着它们的空间定位而表现出渐变的转录变异，这被称为“空间转录组梯度”(STG)。

实现的目标：同时检测到STGs的存在和方向

方法原理：应用NMF从ST数据的基因表达矩阵中获得定量的、可解释的细胞表型，同时检测每个生态位中线性空间梯度的存在和方向。

分析框架

The LSGI framework and downstream analysis

三个需要回答的生物学问题

• 1、空间基因梯度的位置
• 2、空间基因梯度的方向性
• 3、空间基因梯度的生物学功能

为了实现目标，利用NMF将ST数据中所有细胞或SPOT的基因表达谱分解成多个因子，包括描述细胞组成和调节细胞表型。通过这一步，计算 cell loadings and gene loadings ，分别表明program在细胞/spot水平上的活性和program在基因水平上的属性。

关于空间的数据分析采用slide-window strategy ，在此基础上，cells/spots在overlapping windows中按空间定位分组，然后，使用空间坐标作为预测因子，并将细胞NMF loadings作为目标，对每个NMF program和每组细胞拟合线性模型。使用r平方来评价拟合优度，较大的值表示存在STG。梯度的方向由相应的回归系数决定。这些步骤创建了一个map，其中包含STG的定位和方向，以及它们在一个或多个NMF program中的分配。然后，利用精选的功能基因集，通过统计方法(例如，超几何测试)对program进行功能性注释。并研究在肿瘤ST数据集中，分配给不同程序的梯度的空间关系，或梯度到肿瘤-TME边界的空间关系。

来看看示例

Application of LSGI on single ST dataset

最后看看实现方法,R语言的代码

library(Seurat)
library(Matrix)
library(RcppML)  
library(ggplot2)
library(dplyr)
library(LSGI)

10X的数据,当然其他类型的空间数据均可以用

img <- Read10X_Image(image.dir = "C:/Users/liang/work/42_LSGI/LSGI.test/Visium_FFPE_Human_Breast_Cancer_spatial/",
    image.name = "tissue_lowres_image.png", filter.matrix = TRUE)
data <- Load10X_Spatial(data.dir = "C:/Users/liang/work/42_LSGI/LSGI.test/",
    fil