Tangram 系列教程汇总

「写在前面」

学习一个软件最好的方法就是啃它的官方文档。本着自己学习、分享他人的态度，分享官方文档的中文教程。软件可能随时更新，建议配合官方文档一起阅读。

---

目录

• 1 Tangram 介绍
• 2 Tangram 相关文献
• 3 Tangram 安装
• 4 Tangram 快速使用
  • 4.1 Cell Level
  • 4.2 Cluster Level
• 5 Tangram Tutorials
  • 5.1 Tutorial for mapping data with Tangram
  • 5.2 Tutorial for spatial mapping using Tangram

GitHub：https://github.com/broadinstitute/Tangram
官方文档：https://tangram-sc.readthedocs.io/en/latest/tutorial_sq_link.html

1 Tangram 介绍

Tangram 是一个 Python 包，用 PyTorch 编写并基于 scanpy，用于将 single-cell（or single-nucleus）基因表达数据映射到空间基因表达数据。单细胞数据集和空间数据集应该从相同的解剖区域/组织类型收集，最好是从生物复制中收集，并且需要共享一组基因。Tangram 通过将基因表达拟合到共享基因上来在空间中对齐单细胞数据。熟悉 Tangram 的最佳方法是查看 5.2 Tutorial 和官网的 documentation。如果您没有使用 squidpy，请查 5.1 Tutorial。

2 Tangram 相关文献

相关文献在之前的推文中已经介绍，点击以下链接查看：

1.文献阅读：使用 Tangram 进行空间解析单细胞转录组的深度学习和比对

3 Tangram 安装

要安装 Tangram，请确保安装了 PyTorch 和 scanpy。如果您需要有关依赖项的更多详细信息，请查看 environment.yml 文件。

• set up conda environment for Tangram

  conda env create -f environment.yml
  

• install tangram-sc from shell:

  conda activate tangram-env
  pip install tangram-sc
  

• To start using Tangram, import tangram in your jupyter notebooks or/and scripts

  import tangram as tg
  

4 Tangram 快速使用

4.1 Cell Level

加载空间数据和单细胞数据（应为 AnnData 格式），并使用 tg.pp_adatas 对其进行预处理：

ad_sp = sc.read_h5ad(path)
ad_sc = sc.read_h5ad(path)
tg.pp_adatas(ad_sc, ad_sp, genes=None)

函数 pp_adatas 找到 adata_sc、adata_sp 之间的共同基因，并将其保存在两个 adatas.un 中，以供后续映射和分析。此外，它将相交的基因取子集为一组训练基因由 gene 参数传递。如果 genes=None，则 Tangram 使用两个数据集共享的所有基因。一旦数据集经过预处理，我们就可以映射：

ad_map = tg.map_cells_to_space(ad_sc, ad_sp)

返回的 AnnData，ad_map 是一个 cell-by-voxel 的结构，其中 ad_map.X[i, j] 给出 cell i 位于 voxel j 中的概率。该结构可用于将单细胞数据中的基因表达投影到空间，这是通过 tg.project_genes 实现的。

ad_ge = tg.project_genes(ad_map, ad_sc)

返回的 ad_ge 是一个 voxel-by-gene AnnData，类似于空间数据 ad_sp，但其中基因表达是从 single cells 投影的。如果单细胞具有比空间数据更高的质量（或更多基因），这可以扩展基因通量，或纠正丢失。它还可用于将细胞类型 transfer 到空间。

4.2 Cluster Level

为了实现更快的训练并消耗更少的内存，Tangram 映射可以在 cell cluster level 完成。这一修改是由 Sten Linnarsson 提出的。

准备输入数据的方法与 cell level Tangram 映射相同。然后使用以下代码进行映射：

ad_map = tg.map_cells_to_space(
  ad_sc,
  ad_sp,
  mode='clusters',
  cluster_label='subclass_label')

提供的 cluster_label 必须属于 ad_sc.obs。上面的示例代码是在 “subclass_label” 级别进行映射，“subclass_label” 位于 ad_sc.obs 中。

要将基因表达投影到空间，请使用 tg.project_genes 并确保将 cluster_label 参数设置为映射中相同的 cluster label。

ad_ge = tg.project_genes(
  ad_map,
  ad_sc,
  cluster_label='subclass_label')

5 Tangram Tutorials

相关 Tutorials 的中文教程在之前的推文中已经介绍，点击以下链接查看：

5.1 Tutorial for mapping data with Tangram

Tangram Tutorial 1：映射小鼠皮层 MOp 的 snRNAseq 数据到 Slide-seq2 数据

5.2 Tutorial for spatial mapping using Tangram

Tangram Tutorial 2：配合 squidy 使用 Tangram

「结束」

本文由 mdnice 多平台发布