Seurat24式太极拳之5手挥琵琶---Slide-seq v2数据集演示

五、手挥琵琶
跟步展臂 后坐引手 虚步合手

数据集

在这里，我们将分析使用小鼠海马体的Slide-seq v2生成的数据集。本教程将采用与10倍Visium数据的空间晕影大致相同的结构，但专门针对特定于Slide-seq数据的演示进行了量身定制。

您可以使用我们的SeuratData包来轻松访问数据，如下所示。安装数据集后，您可以键入?ssHippo以查看用于创建Seurat对象的命令。

InstallData("ssHippo")

slide.seq <- LoadData("ssHippo")

数据预处理

通过基因表达数据对珠子进行的初始预处理步骤与其他空间Seurat分析和典型的scRNA-seq实验相似。在这里，我们注意到许多珠子的UMI计数特别低，但选择保留所有检测到的珠子用于下游分析。

plot1 <- VlnPlot(slide.seq, features = "nCount_Spatial", pt.size = 0, log = TRUE) + NoLegend()
slide.seq$log_nCount_Spatial <- log(slide.seq$nCount_Spatial)
plot2 <- SpatialFeaturePlot(slide.seq, features = "log_nCount_Spatial") + theme(legend.position = "right")
wrap_plots(plot1, plot2)

image

然后，我们使用sctransform标准化数据并执行标准的scRNA-seq维数减少和聚类工作流。

slide.seq <- SCTransform(slide.seq, assay = "Spatial", ncells = 3000, verbose = FALSE)
slide.seq <- RunPCA(slide.seq)
slide.seq <- RunUMAP(slide.seq, dims = 1:30)
slide.seq <- FindNeighbors(slide.seq, dims = 1:30)
slide.seq <- FindClusters(slide.seq, resolution = 0.3, verbose = FALSE)

然后，我们可以在UMAP空间（使用DimPlot()）或在珠坐标空间使用来可视化聚类的结果SpatialDimPlot()。

plot1 <- DimPlot(slide.seq, reduction = "umap", label = TRUE)
plot2 <- SpatialDimPlot(slide.seq, stroke = 0)
plot1 + plot2

image

SpatialDimPlot(slide.seq, cells.highlight = CellsByIdentities(object = slide.seq, idents = c(1, 
    6, 13)), facet.highlight = TRUE)

image