Seurat项目中SCT标准化与空间可变特征分析的执行顺序解析

在单细胞RNA测序数据分析中，Seurat是一个广泛使用的工具包，特别是在处理空间转录组数据时。本文将深入探讨在使用Seurat处理空间转录组数据时，FindSpatiallyVariableFeatures和PrepSCTFindMarkers两个关键函数的执行顺序问题，以及SCT(SCTransform)标准化后数据的使用注意事项。

SCT标准化与数据槽位解析

SCTransform(SCT)是Seurat中一种先进的标准化方法，它会产生三个关键的数据槽位：

1. counts槽位：存储原始UMI计数
2. data槽位：存储经过校正后的计数
3. scale.data槽位：对于SCT分析，这里存储的是皮尔逊残差(Pearson residuals)，而非RNA分析中的缩放数据

PrepSCTFindMarkers函数的作用

PrepSCTFindMarkers函数在执行差异表达分析前是必需的，它会：

• 重新校正counts槽位中的计数
• 将data槽位替换为重新校正后计数的log1p转换值
• 不改变scale.data槽位中的皮尔逊残差

空间可变特征分析

FindSpatiallyVariableFeatures函数专门用于识别在空间上有变异模式的基因，它：

• 直接使用SCT分析中scale.data槽位的皮尔逊残差
• 不受PrepSCTFindMarkers对counts和data槽位修改的影响

执行顺序的最佳实践

基于Seurat的内部机制和技术文档，可以得出以下结论：

1. 执行顺序无关紧要：因为两个函数操作的是不同的数据槽位，FindSpatiallyVariableFeatures使用scale.data(不变)，而差异表达分析使用修改后的data槽位
2. 可视化建议：进行基因表达可视化时，应使用PrepSCTFindMarkers后的data槽位数据，以保证与差异表达分析的一致性

技术细节深入

对于希望更深入了解的用户，需要知道：

1. 皮尔逊残差的计算独立于counts和data槽位，它是SCT标准化的核心输出
2. PrepSCTFindMarkers的反向回归过程使用各样本测序深度的中位数最小值
3. 在合并多个SCT处理过的数据集时，保持scale.data的完整性尤为重要

实际应用建议

在实际分析中，如果担心数据一致性，可以采用以下策略：

1. 保留原始的SCT分析结果
2. 创建一个新的分析(如命名为'SCT_PFM')来存储PrepSCTFindMarkers的结果
3. 使用原始SCT进行空间特征分析，使用新分析进行差异表达和可视化

这种方法虽然增加了数据存储，但确保了分析过程的透明度和可追溯性。

通过理解这些技术细节，用户可以更自信地设计分析流程，确保空间转录组数据分析的准确性和可重复性。