常用的空间转录组分析工具

常用空间转录组分析工具（Omicverse、Seurat、Scanpy、SpaGCN）。

1. Omicverse

特点

• 是新兴的用于生物组学数据分析的Python库，为空间转录组分析提供了全面且集成化的功能。其API设计简洁，易于使用，能帮助用户快速完成从数据读取到可视化的全流程分析。
• 支持多种数据格式的读取，并且在数据处理和分析过程中，提供了多种算法和方法，可灵活适应不同的研究需求。

示例代码

import omicverse as ov
import scanpy as sc

# 读取数据
adata = sc.read_visium('path/to/visium_data')

# 数据预处理
ov.pp.filter_cells(adata, min_genes=200)
ov.pp.filter_genes(adata, min_cells=3)
ov.pp.normalize_total(adata, target_sum=1e4)
ov.pp.log1p(adata)

# 降维分析
ov.pp.highly_variable_genes(adata, flavor='seurat_v3', n_top_genes=2000)
ov.tl.pca(adata, svd_solver='arpack')

# 聚类分析
ov.pp.neighbors(adata, n_neighbors=10, n_pcs=40)
ov.tl.leiden(adata)

# 可视化
ov.pl.spatial(adata, color='leiden')

2. Seurat

特点

• 是基于R语言的经典单细胞和空间转录组分析工具，拥有庞大的用户社区和丰富的文档资源。
• 具有强大的数据整合能力，能够将空间转录组数据与单细胞RNA - seq数据进行联合分析，以深入探究细胞间的相互关系。

示例代码

library(Seurat)
# 读取数据
visium.data <- Read10X_h5("spatial_visium.h5")
visium <- CreateSeuratObject(counts = visium.data)

# 数据预处理
visium <- NormalizeData(visium)
visium <- FindVariableFeatures(visium)
visium <- ScaleData(visium)

# 降维分析
visium <- RunPCA(visium)

# 聚类分析
visium <- FindNeighbors(visium)
visium <- FindClusters(visium)

# 可视化
DimPlot(visium, reduction = "pca")

3. Scanpy

特点

• 基于Python开发，与Python的科学计算生态系统（如NumPy、Pandas）紧密集成，代码简洁，易于定制分析流程。
• 提供了丰富的数据预处理、降维、聚类和可视化方法，适合有Python基础的用户进行深入的数据分析。

示例代码

import scanpy as sc

# 读取数据
adata = sc.read_visium('path/to/visium_data')

# 数据预处理
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.filter_genes(adata, min_cells=3)
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)

# 降维分析
sc.pp.highly_variable_genes(adata, flavor='seurat_v3', n_top_genes=2000)
sc.tl.pca(adata, svd_solver='arpack')

# 聚类分析
sc.pp.neighbors(adata, n_neighbors=10, n_pcs=40)
sc.tl.leiden(adata)

# 可视化
sc.pl.spatial(adata, color='leiden')

4. SpaGCN

特点

• 专注于空间转录组的聚类和空间域识别，通过结合基因表达信息和空间位置信息，能够更准确地识别细胞类型和空间结构。
• 对于挖掘空间转录组数据中的空间特异性信息有独特的算法和优势。

示例代码

import spagcn as spg
import scanpy as sc

# 读取数据
adata = sc.read_visium('path/to/visium_data')

# 数据预处理
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.filter_genes(adata, min_cells=3)
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)

# SpaGCN聚类
adata = spg.prefilter_genes(adata, min_cells=3)
adata = spg.prefilter_specialgenes(adata)
adj = spg.calculate_adj_matrix(x=adata.obsm['spatial'], histology=False)
adata = spg.SpaGCN_Cluster(adata, adj, l=100, n_clusters=7)

# 可视化
sc.pl.spatial(adata, color='SpaGCN')

工具对比

工具名称	编程语言	易用性	功能特点	社区支持
Omicverse	Python	较高，API简洁，适合新手	一站式分析，支持多格式数据，有特色算法	社区在发展，可通过官方文档和GitHub获取支持
Seurat	R	对于R用户友好，新手需学习R语法	强大的数据整合能力，丰富可视化函数	庞大社区，大量教程和解决方案
Scanpy	Python	高，与Python生态集成好，易定制	丰富的数据处理和分析方法	活跃社区，可在多个平台获取帮助
SpaGCN	Python	有一定难度，需理解空间转录组原理	专注空间聚类和空间域识别	特定领域有用户群体，可在GitHub获取支持