空转分析工作流

🧬 单细胞转录组 × 空间转录组 联合分析完整工作流

这个分析框架可划分为以下 五大核心阶段：

1️⃣ 数据预处理与质量控制  
2️⃣ 降维聚类与批次整合  
3️⃣ 空间解构与细胞映射  
4️⃣ 空间图谱构建与通信推理  
5️⃣ 高阶因果建模与可视化呈现

✅ 1️⃣ 数据预处理与质量控制

👨‍🔬 目标：读取、过滤、归一化表达矩阵，为后续做准备。

步骤 常用工具/函数 简要说明
原始数据读取 Scanpy.read_10x_mtx() / Seurat::Read10X() 读取矩阵格式数据（h5ad / loom / 10X）
质量控制 pp.filter_cells()、pp.filter_genes()、mito_ratio过滤 移除低质量细胞和基因
标准化 Scanpy.pp.normalize_total() / Seurat::LogNormalize() 每细胞归一化为1万UMI
Log 转换 Scanpy.pp.log1p() / Seurat::SCTransform() 缓解极端表达影响
高变基因选择 pp.highly_variable_genes() / FindVariableFeatures() 选出表达波动大的基因用于建模

✅ 2️⃣ 降维聚类与整合（多样本整合）

👨‍🔬 目标：从表达矩阵中提取主要信号，识别细胞亚群，整合多组数据。

步骤 常用工具 简要说明
PCA 降维 Scanpy.pp.pca() / RunPCA() 初始主成分压缩
邻接图构建 Scanpy.pp.neighbors() / FindNeighbors() 后续聚类与UMAP使用
聚类识别 Scanpy.tl.leiden() / FindClusters() 细胞类型划分
可视化 Scanpy.tl.umap() / RunUMAP() 降维图展示
多样本整合 Harmony, BBKNN, CCA, Scanorama, ingest 多平台或多批次合并
注释识别 SingleR, CellTypist, Azimuth 自动细胞类型注释

✅ 3️⃣ 空间解构与细胞映射

👨‍🔬 目标：将 scRNA-seq 信息“投影”到空间上，重建细胞组成图谱。

任务 方法/工具 说明
Spot 细胞比例估计（解构） Cell2location, RCTD, SPOTlight, SpatialDWLS 每个 spot 中包含哪些细胞类型
表达映射预测 Tangram, Seurat label transfer, SpaGE 将 scRNA-seq 的表达信息转回空间位置
多模态交叉分析 MIA（Multimodal Intersection Analysis） 空间 cluster × scRNA cluster 对应性
图像辅助坐标映射 STUtility, Stereopy, Giotto 图像/坐标精修，配准支持空间分辨

✅ 4️⃣ 空间图谱 + 通讯 + 拟时序轨迹分析

👨‍🔬 目标：探索空间组织中的“结构-功能”关系与细胞交互。

类型 工具/方法 说明
空间邻接图构建 Squidpy, Giotto, SpaGene 建立基于物理距离的空间图
空间聚类与分区 BayesSpace, stLearn, SpaGCN, MISTy 精细化空间亚区块识别
空间轨迹/发育图 CellTrek, stLearn, STAGATE 空间状态连续变化建模
空间通讯分析 CellChat, COMMOT, SpaOTsc 推断空间特异的 L-R 通讯
空间调控建模 MISTy, ISCHIA 推断空间中 TF 网络与因果结构
空间 WGCNA 分析 hdWGCNA, WGCNA 空间模式的共表达网络分析

✅ 5️⃣ 高阶推理 + 可视化发布

👨‍🔬 目标：基因模块、拷贝数变化、演化结构图与图形呈现。

类型 工具 说明
空间 CNV 拟合 inferCNV, SpatialinferCNV 推测空间中的克隆变异、CNV 模式
空间发育轨迹图 Uphyplot2 展示演化树+空间结构
交互式可视化平台 SPATA2, Giotto Viewer, stViewer web 交互式探索分析结果
报告生成与分享 Scanpy.pl.*, cell2location.pl.* 生成高质量可视图

🔄 精简流程图（从表达矩阵到空间洞察）

(1) QC + Normalize → HVG → PCA/UMAP → 聚类 + 注释
                                       ↓
               空间数据 QC → 空间图构建（邻接矩阵）
                                       ↓
     单细胞 → Cell2location/Tangram → 空间成分/表达映射
                                       ↓
     → SpaGCN / BayesSpace → 空间聚类与结构
     → CellChat / COMMOT → 空间通讯网络
     → hdWGCNA / ISCHIA → 空间共调控模块
     → inferCNV / Uphyplot2 → 空间变异与演化
                                       ↓
                        → SPATA2 / Giotto → 交互可视化

✅ 工具全景表：每个阶段的利器

阶段 工具套件
基础预处理 Seurat, Scanpy, Stereopy
多样本整合 Harmony, CCA, BBKNN, Scanorama, ingest
空间映射解构 Cell2location, Tangram, RCTD, SPOTlight, MIA
空间图谱分析 Squidpy, Giotto, BayesSpace, SpaGCN, stLearn
通信与调控分析 CellChat, COMMOT, MISTy, ISCHIA, SpaOTsc
模块与轨迹推理 hdWGCNA, CellTrek, Uphyplot2
空间CNV预测 inferCNV, SpatialinferCNV
可视化与发布 SPATA2, Giotto, stViewer, Scanpy.pl.*

🎓 如果你是初学者，推荐的组合路径：

Scanpy + Squidpy + Cell2location + Tangram + COMMOT + SPATA2

你可以从中覆盖数据清洗 → 聚类 → 映射 → 通信分析 → 可视化的全流程。

posted @ 2025-06-04 23:03  tomorgen  阅读(294)  评论(0)    收藏  举报