空间转录组细胞通讯分析方法简介及实操

2022-06-30 19:50:34, 星标关注上海欧易生物医学科技有限公司

1、原理概述

细胞通讯是单细胞研究中一个模拟与理解复杂组织生态系统动力学的适用方法，对于单细胞转录组数据目前已有多种算法，如CellPhoneDB，SpaOTsc等。尽管这些基于基因表达量的算法也适用于空间转录组数据，但并未充分利用空间转录组数据中的空间位置信息。今年5月份在biorxiv网站预印发表的文章stLearn: integrating spatial location, tissue morphology and gene expression to find cell types, cell-cell interactions and spatial trajectories within undissociated tissues中，针对上述问题，开发了针对空间转录组数据的细胞通讯方法（CCI），该算法结合了多种信息，包括已知配体-受体对、基因表达、空间位置和空间细胞类型分布等信息，从而找到具有较高细胞通讯频率的组织内热点区域。

该算法首先针对SMEClust空间聚类（详细原理介绍见《空间转录组分化轨迹推断方法简介及实操》）结果进行CellphoneDB分析，以找到对细胞间相互作用有显着贡献的配体-受体作用对。然后，根据配体-受体表达，对spots中配体-受体互作对打分，并依此对spots聚类。之后，根据组织单位面积中存在的细胞类型数量来计算细胞类型多样性。最后，通过结合细胞类型多样性打分和配体-受体的表达信息，可确定最可能具有相互作用的区域（强的配体受体相互作用和更高细胞类型多样性）。

2、代码示例

2.1 数据加载及预处理

首先我们从10x genomics网站下载乳腺癌visium数据，并进行数据预处理：

import stlearn as st
import pandas as pd
import random
st.settings.set_figure_params(dpi=100)
# 导入数据
data = st.Read10X("spatial-gene-expression/datasets/1.0.0/V1_Breast_Cancer_Block_A_Section_2")
# 预处理
st.pp.filter_genes(data,min_cells=3)
st.pp.normalize_total(data)
st.pp.scale(data)

2.2 降维聚类

采用stlearn中的空间聚类算法SMEcluster，进行降维聚类。

# PCA降维
st.em.run_pca(data,n_comps=50,random_state=0)
# Tiling image，利用空间位置信息来选择相邻的spots对进行归一化.tiling会将图片切分为众多小图片，并将路径信息记录在obs中
st.pp.tiling(data,out_path="tiling",crop_size=40)
# Using Deep Learning to extract feature：使用ResNet50(可选择模型)对ImageNet网站中百万图片进行预训练并储存预训练模型，使用该模型对输入图片提取数字特征，将图片数字化为2084维向量
st.pp.extract_feature(data)
# Apply stSME spatial-PCA option
st.spatial.morphology.adjust(data,use_data="X_pca",radius=50,method="mean")
st.pp.neighbors(data,n_neighbors=25,use_rep=''X_pca_morphology'',random_state=0)
st.tl.clustering.louvain(data,random_state=0)

对于已知PCA信息的数据，可使用spatial.morphology.adjust函数进行PCA调整，也可以直接使用stlearn提供的SMEclustering函数进行聚类。

data_SME = data.copy()
# apply stSME to normalise log transformed data
st.spatial.SME.SME_normalize(data_SME,use_data="raw")
data_SME.X = data_SME.obsm[''raw_SME_normalized'']
st.pp.scale(data_SME)
st.em.run_pca(data_SME,n_comps=50)
st.pp.neighbors(data_SME,n_neighbors=17,use_rep=''X_pca'')
st.tl.clustering.louvain(data_SME, resolution=1.19)
st.pl.cluster_plot(data_SME,use_label="louvain")
# 聚类结果可视化展示
st.pl.cluster_plot(data,use_label="louvain",image_alpha=1,size=7)

2.3 细胞类型多样性统计

在进行统计之前，我们需要基于已知细胞类型的scRNA数据集，采用Seurat进行细胞类型转移，获取空间转录组中各个spot的细胞类型注释信息，然后再将该注释信息导入到2.1中创建的AnnData对象中：

# 导入细胞类型注释信息 
celltye=pd.read_csv("seurat_label_transfer_bc.csv",sep="\\t")
# 筛选共有spots（data中部分细胞被质控过滤）
cellindex=data.obs_names & celltye.index
# 筛选data中data与metadata共有的spots
data=data[cellindex,:] 
st.add.labels(data,cellty.loc[data.obs_names.tolist(),:])
st.pl.cluster_plot(data,use_label="predictions")

统计切片中各个区域的细胞类型多样性，颜色越红，表示该区域存在的细胞类型越丰富：

st.tl.cci.het.count(data,use_label=''label_transfer'') ## 如果需要计算spots内部或者近邻区域通讯情况，需要添加distance参数，距离设置为0
st.pl.het_plot(data,use_het=''cci_het'')

2.4 配体-受体共表达统计

输入通过CellPhoneDB获取的特定配体-受体对，统计其在spots之间或者spots内部/近邻区域的共表达的情况：

data.uns["lr"] = [''IL34_CSF1R''] 
st.tl.cci.lr(adata=data) ## 如果需要计算spots内部或者近邻区域通讯情况，需要添加distance参数，距离设置为0
st.pl.het_plot(data, use_het=''cci_lr'', image_alpha=0.7)

2.5 数据整合

同时整合细胞类型多样性及受体-配体共表达信息，以更为准确地度量spots之间或者内部的通讯情况：

st.tl.cci.merge(data, use_lr=''cci_lr'', use_het=''cci_het'')
st.pl.het_plot(data, use_het=''merged'', cell_alpha=0.7)

2.6 确定高可信通讯区域

只有高受体-配体表达与高细胞类型密度的区域，才有可能有活跃的细胞间或者细胞内部的通讯交流活动。在这里，通过置换检验，筛选出高可信的热点通讯区域。

# 进行置换检验，通常该步骤较为耗时
st.tl.cci.permutation(data, use_het=''cci_het'', n_pairs=200) ## 如果需要计算spots内部或者近邻区域通讯情况，需要添加distance参数，距离设置为0
# plot the -log10(pvalue) from permutation test on each spot
st.pl.het_plot(data, use_het=''merged_pvalues'', cell_alpha=0.7)
st.pl.het_plot(data, use_het=''merged_sign'', cell_alpha=0.7)

3、参考资料

[1] Pham D, Tan X, Xu J, et al. stLearn: integrating spatial location, tissue morphology and gene expression to find cell types, cell-cell interactions and spatial trajectories within undissociated tissues[J]. bioRxiv, 2020.

[2] https://stlearn.readthedocs.io/en/latest/

近期活动