单细胞36计之18擒贼擒王---单细胞与空间转录组整合

第十八计擒贼擒王
作战要先擒拿主要敌手。比喻做事要抓关键。

与scRNA-seq参考整合

为了促进Slide-seq数据集的细胞类型注释，我们利用了由Saunders *，Macosko *等人制作的现有小鼠单细胞RNA-seq海马数据集。2018。数据可在此处作为已处理的Seurat对象下载，而原始计数矩阵可在DropViz网站上获得。

ref <- readRDS("../data/mouse_hippocampus_reference.rds")

本文的原始注释在Seurat对象的单元元数据中提供。这些注释以几种“解决方案”提供，从大类（ref$class）到细胞类型（）中的子类ref$subcluster。出于本小插图的目的，我们将对细胞类型注释（ref$celltype）进行修改，使之达到良好的平衡。

我们将从运行Seurat标签转移方法开始，以预测每个珠子的主要细胞类型。

anchors <- FindTransferAnchors(reference = ref, query = slide.seq, normalization.method = "SCT", 
    npcs = 50)
predictions.assay <- TransferData(anchorset = anchors, refdata = ref$celltype, prediction.assay = TRUE, 
    weight.reduction = slide.seq[["pca"]], dims = 1:50)
slide.seq[["predictions"]] <- predictions.assay

然后，我们可以可视化一些主要预期类别的预测分数。

DefaultAssay(slide.seq) <- "predictions"
SpatialFeaturePlot(slide.seq, features = c("Dentate Principal cells", "CA3 Principal cells", "Entorhinal cortex", 
    "Endothelial tip", "Ependymal", "Oligodendrocyte"), alpha = c(0.1, 1))

image.png

slide.seq$predicted.id <- GetTransferPredictions(slide.seq)
Idents(slide.seq) <- "predicted.id"
SpatialDimPlot(slide.seq, cells.highlight = CellsByIdentities(object = slide.seq, idents = c("CA3 Principal cells", 
    "Dentate Principal cells", "Endothelial tip")), facet.highlight = TRUE)

image.png

识别空间可变特征

正如Visium插图中提到的那样，我们可以通过两种通用方法来识别空间可变的特征：预先标注的解剖区域之间的差异表达测试或测量特征对空间位置的依赖性的统计信息。

在这里，我们FindSpatiallyVariableFeatures()通过设置来实现Moran's I的实现，以演示后者method = 'moransi'。Moran's I计算总体空间自相关，并给出一个统计量（类似于相关系数），该统计量用于衡量要素对空间位置的依赖性。这使我们能够根据表达的空间变化程度对要素进行排名。为了便于快速估算此统计信息，我们实施了一种基本的分级策略，该策略将在Slide-seq圆盘上绘制一个矩形网格，并对每个分级中的特征和位置取平均。x和y方向上的仓数分别由x.cuts和y.cuts参数控制。此外，虽然不是必需的，但安装可选Rfast2软件包（install.packages('Rfast2')），将通过更有效的实施方式来显着减少运行时间。

DefaultAssay(slide.seq) <- "SCT"
slide.seq <- FindSpatiallyVariableFeatures(slide.seq, assay = "SCT", slot = "scale.data", features = VariableFeatures(slide.seq)[1:1000], 
    selection.method = "moransi", x.cuts = 100, y.cuts = 100)

现在，我们可视化由Moran's I识别的前6个特征的表达。

SpatialFeaturePlot(slide.seq, features = head(SpatiallyVariableFeatures(slide.seq, selection.method = "moransi"), 
    6), ncol = 3, alpha = c(0.1, 1), max.cutoff = "q95")

image.png