流程升级---原位捕获数据的无分割分析（Stereo-seq、HD）

作者，Evil Genius

高分辨率的空间转录组，最好做细胞分割，一般不要用一刀切的bin划分方法，但是我们如果没有条件做细胞分割，就需要改进一下一刀切的bin分割方法。

尽可能恢复空间转录组的细胞精度矩阵。

空间转录组学保留了空间信息，能够识别细胞niche，并研究不同细胞类型在其原生微环境中的相互作用。这种空间背景对于理解复杂的生物过程(如发育、疾病进展和对治疗的反应)至关重要。

SRT方法可以大致分为两类。第一类通常被称为基于成像的方法通过原位杂交(ISH)或原位测序(ISS)为选定数量的靶基因提供单分子分辨率，通常在100s-1000s的范围内。第二类被称为原位捕获方法，并在测序前将空间条形码整合到转录物上，允许整个转录组覆盖，但空间分辨率有限(例如，Visium的spot间距为100 um)。原位捕获方法的低空间分辨率使单细胞的空间分析复杂化，需要反卷积、插补和/或整合外部单细胞转录组学资源。然而，空间转录组学的最新进展通过Stereo-seq、Seq-Scope、Open-ST和Nova-ST等定序方法提供了纳米分辨率的全转录组图谱。这些高分辨率技术提供了独特的优势，例如在亚细胞水平上解析转录组全表达的能力，在某些情况下在亚微米范围内。

目前的分析挑战：高分辨率方法产生的数据量巨大，需要强大且可扩展的计算工具进行高效的数据处理和分析。精确的细胞分割仍然难以实现。

改进后的分析框架

核心分析原理：通过应用核密度估计（KDE）将空间基因表达建模为密度，然后可用于整个组织的稳健和准确的细胞类型分配。计算步骤大致可分为读取数据、质量控制、数据预处理、空间基因表达建模、生成或获取特定细胞类型的基因表达模式，以及将细胞类型分配到像素生成细胞类型映射。

算法的数据验证（模拟数据）

华大小鼠数据（性能验证）

华大数据小鼠脑（性能验证）

Xenium数据

最后看看示例代码(华大数据)

pip install sainsc
###conda install bioconda::sainsc
from pathlib import Path

import numpy as np
import pandas as pd

from sainsc.io import read_StereoSeq

####加载数据
embryo = read_StereoSeq(stereo_seq_file)

embryo.calculate_total_mRNA()

_ = embryo.plot_genecount(im_kwargs={"vmax": 5})

embryo.counts.crop((5_000, 33_000), (9_000, None))

embryo.calculate_total_mRNA()

_ = embryo.plot_genecount(im_kwargs={"vmax": 5})

from PIL import Image

# export total mRNA as png
u8 = np.uint8
Image.fromarray(
    np.clip(embryo.total_mRNA, np.iinfo(u8).min, np.iinfo(u8).max).astype(u8)
).save("embryo_counts.png")

import matplotlib.pyplot as plt

from sainsc.datasets import fetch_embryo_mask

# avoid the DecompressionBombError
Image.MAX_IMAGE_PIXELS = None

mask_file = fetch_embryo_mask()
embryo_mask = np.array(Image.open(mask_file), dtype=bool)

_ = plt.imshow(embryo_mask.T, origin="lower")

embryo.counts.filter_mask(embryo_mask)

embryo.counts.filter_genes_by_count(1)

embryo.calculate_total_mRNA()

_ = embryo.plot_genecount(im_kwargs={"vmax": 5})

###核密度
embryo.gaussian_kernel(4, unit="um")

embryo.calculate_total_mRNA_KDE()

_ = embryo.plot_KDE()

embryo.filter_background(0.9)

_ = embryo.plot_KDE(remove_background=True)

####Cell-type assignment
from sainsc.datasets import fetch_embryo_signatures

signatures = fetch_embryo_signatures()
signatures.iloc[:, :4].head()

embryo.assign_celltype(signatures)

import colorcet as cc
import seaborn as sns

cmap = dict(
    zip(embryo.celltypes, sns.color_palette(cc.glasbey, n_colors=len(embryo.celltypes)))
)

_ = embryo.plot_celltype_map(cmap=cmap)

_ = embryo.plot_celltype_map(
    crop=((2_000, 6_000), (10_500, 15_000)),
    cmap=cmap,
    scalebar_kwargs={"location": "upper left"},
)

_ = embryo.plot_assignment_score()

示例代码在GitHub - HiDiHlabs/sainsc: Segmentation-free Analysis of In Situ Capture data

生活很好，有你更好