SpatialDE 项目使用教程

1. 项目介绍

SpatialDE 是一个用于识别空间变异基因（Spatially Variable Genes, SVG）的方法。它能够从空间转录组学数据中检测出在空间坐标上显著依赖的基因表达模式。SpatialDE 的主要特点包括：

• 无监督：无需预定义空间区域。
• 非参数和非线性表达模式：能够识别复杂的表达模式。
• 自动组织学：基于空间共表达的基因分组。
• 极速：在普通计算机上几分钟内完成转录组范围的测试。

SpatialDE 主要通过 Python 3 包实现，并且提供了 R 语言的封装接口。

2. 项目快速启动

安装

首先，确保你已经安装了 Python 3。然后，通过 pip 安装 SpatialDE：

pip install spatialde

使用示例

以下是一个简单的使用示例，展示如何使用 SpatialDE 进行空间变异基因的检测：

# 导入必要的库
import pandas as pd
import NaiveDE
import SpatialDE

# 读取数据
counts = pd.read_csv('Analysis/MouseOB/data/Rep11_MOB_0.csv', index_col=0)
counts = counts.T[counts.sum(0) >= 3].T  # 过滤低表达基因

sample_info = pd.read_csv('Analysis/MouseOB/MOB_sample_info.csv', index_col=0)
counts = counts.loc[sample_info.index]  # 对齐计数矩阵与元数据表

# 数据预处理
norm_expr = NaiveDE.stabilize(counts.T).T
resid_expr = NaiveDE.regress_out(sample_info, norm_expr.T, 'np.log(total_counts)').T

# 运行 SpatialDE
X = sample_info[['x', 'y']]
results = SpatialDE.run(X, resid_expr)

# 查看结果
print(results.head())

3. 应用案例和最佳实践

应用案例

SpatialDE 已经被应用于多个研究项目中，包括：

• 乳腺癌转录组研究：在乳腺癌组织中识别空间变异基因。
• 青蛙发育时间序列：分析 Xenopus 发育过程中的 RNA-seq 数据。
• MERFISH 技术：在单细胞水平上分析基因表达。
• 小鼠嗅球切片：使用空间转录组学技术分析小鼠嗅球切片。
• SeqFISH 技术：分析小鼠海马区的单细胞表达数据。

最佳实践

• 数据预处理：确保数据经过适当的过滤和标准化处理。
• 模型选择：根据数据特点选择合适的模型参数。
• 结果解释：结合生物学背景解释检测到的空间变异基因。

4. 典型生态项目

SpatialDE 作为一个开源项目，与其他空间转录组学工具和数据分析平台有良好的兼容性。以下是一些典型的生态项目：

• Bioconductor：提供了 R 语言的 SpatialDE 封装包，方便 R 用户使用。
• Git LFS：用于管理大型数据文件，确保数据集的完整性和可访问性。
• Jupyter Notebook：提供了交互式的数据分析环境，方便用户进行探索性分析。

通过这些工具和平台的结合，SpatialDE 能够更好地服务于空间转录组学研究，推动相关领域的发展。