单细胞、Visium、HD、Xenium表征结直肠癌肿瘤微环境中的免疫细胞群

作者,Evil Genius

高考日,都加油。

看看10X HD团队对平台的解读

知识背景

  • 结直肠癌(CRC)是世界上第二致命的癌症,然而对肿瘤微环境(TME)中基因表达的空间模式的更深入理解仍然是困难的。
  • Visium HD的单细胞分辨率使我们能够绘制不同的免疫细胞群,特别是巨噬细胞和T细胞,并评估肿瘤边界的差异基因表达,以探索这些免疫细胞群在TME中的潜在贡献。
  • 为了研究肿瘤与周围环境的相互作用,研究肿瘤周围50µm的外周区域。这种水平的TME表征只能在Visium HD分辨率下进行,这能够特异性地研究最接近肿瘤的细胞,这些细胞可能对肿瘤进展产生最大的影响
  • 利用Xenium技术在单细胞分辨率下,通过Visium HD数据绘制了我们在TME中观察到的巨噬细胞、肿瘤亚群和T细胞。Xenium证实了两种促肿瘤巨噬细胞亚群在不同生态位中的存在,并能够确定T细胞在TME中的位置。使用Xenium,还能够检测到克隆扩增的T细胞群及其所在的细胞微环境,揭示了具有第三个巨噬细胞亚群的抗肿瘤生态位

结果1、Visium HD规格和性能

Analysis of CRC and NAT samples using Visium HD

Visium HD的平台优势
1、能够在单细胞尺度上对整个转录组进行空间基因表达分析
2、2 μ m的正方形彼此直接相邻,特征之间没有间隙
3、Space Ranger (v3.0)pipeline输出2µm数据和8µm和16µm分辨率的数据分类
4、表明Visium HD检测分辨率的提高保持了Visium v2的高检测灵敏度

Visium HD Spatial Gene Expression slide architecture and performance

结果2、Visium HD在单细胞尺度上显示结直肠癌肿瘤的空间格局

  • HD的无监督聚类(8um)
  • 利用单细胞数据对HD数据进行反卷积
  • 预期的细胞类型可以仅根据Visium HD数据进行识别,而不需要使用单细胞数据进行反卷积
  • 反卷积Visium HD数据提供了在单细胞参考数据中观察到的细胞类型的高分辨率图谱,与组织形态一致。

Spatial mapping of CRC samples using Visium HD reveals high resolution, accurate transcript mapping

结果3、巨噬细胞在肿瘤边界富集

  • 重点放在肿瘤边界区域,以便能够了解这些肿瘤中的免疫细胞动力学和功能。利用Visium HD提供的更高分辨率,使用基于距离的分析来解析肿瘤边界的细胞组成,这是Visium v2分辨率无法完成的分析
     

Cellular composition of the tumor periphery in each CRC section

结果4、对巨噬细胞富集肿瘤区域的转录组学分析揭示了两个巨噬细胞亚群

  • 作为肿瘤周围最丰富的免疫细胞类型,将分析重点放在了富含巨噬细胞的肿瘤区域,以了解它们与TME的相互作用。首先,评估了这些细胞是否在肿瘤区域内呈现异质基因表达特征和空间位置。
  • 为了增加这些巨噬细胞亚群在TME中的空间背景,使用密度估计确定了高富集区域

     

Identification and localization of two macrophage subpopulations in the tumor microenvironment.

结果5、TME中T细胞的特征和空间定位

  • T细胞进入TME的募集和功能被认为与肿瘤niche中细胞的动力学有关,并且长期以来一直与有利的疾病结果相关。
  • 采用高分辨率空间技术,我们希望利用这一点来专门探索T细胞在肿瘤边界的定位和行为。

Spatial localization of T cells in the tumor microenvironment

结果6、Xenium原位分析证实了Visium HD的发现,并揭示了TME中克隆扩增T细胞的空间分布

  • 为了进一步研究TME内免疫细胞的空间分布并验证Visium HD数据的结果,使用Xenium Analyzer对样品进行了分析。
  • Xenium和Visium HD技术的互补优势

Xenium in situ confirms the existence and localization of macrophage subtypes and clonally expanded T cells in the tumor microenvironment.

讨论

  • 与反卷积方法相比,Visium HD数据的每个切片无监督聚类分析对组织切片中发现的主要细胞类型产生相似的细胞注释。虽然包含单细胞参考数据为跨多个样本的一致细胞注释策略和稀有细胞类型的识别提供了额外的好处,但使用Visium HD进行样本分析并不是必需的。

所有文章分析代码放在了下面,以供我们后续研究

链接:https://pan.baidu.com/s/1fiZwVRXQP8HqiMXs3IGahw?pwd=n529
提取码:n529

生活很好,有你更好

  • 34
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
您好!对于您提供的代码段,它主要使用了Scanpy库来进行单细胞数据分析。下面是代码段的解释: 1. 导入所需的库: - `scanpy as sc`:导入Scanpy库并使用别名`sc`。 - `pandas as pd`:导入Pandas库并使用别名`pd`。 - `numpy as np`:导入NumPy库并使用别名`np`。 - `matplotlib.pyplot as plt`:导入Matplotlib库的Pyplot模块并使用别名`plt`。 - `seaborn as sns`:导入Seaborn库并使用别名`sns`。 2. 打印Scanpy和相关库的版本信息: - `sc.logging.print_versions()`:打印Scanpy和相关库的版本信息。 3. 设置图形参数: - `sc.set_figure_params(facecolor='white', figsize=(8,8))`:设置图形的背景颜色为白色,图形大小为8x8。 4. 设置Scanpy的日志输出级别: - `sc.settings.verbosity = 3`:将Scanpy的日志输出级别设置为3,以便显示详细的日志信息。 5. 下载数据集: - `adata = sc.datasets.visium_sge(sample_id="V1_Human_Lymph_Node")`:下载名为"V1_Human_Lymph_Node"的Visium数据集,并将其存储在名为`adata`的对象。 6. 确保变量名称唯一: - `adata.var_names_make_unique()`:确保数据集的变量名称是唯一的。 7. 计算质控指标: - `adata.var['mt'] = adata.var_names.str.startswith('MT-')`:为数据集的变量添加一个名为'mt'的新列,该列表示变量名称是否以'MT-'开头。 - `sc.pp.calculate_qc_metrics(adata, qc_vars=['mt'], inplace=True)`:计算质控指标,并将果保存在数据集的变量。 希望以上解释对您有所帮助!如果您有任何其他问题,请随时提问。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值