Seurat项目中处理Visium空间转录组数据的预标注区域加载方法

背景介绍

在空间转录组分析中，病理学家对组织切片进行的手动标注是宝贵的生物学信息来源。Seurat作为单细胞和空间转录组分析的主流工具，如何将QuPath等软件生成的预标注区域整合到分析流程中，是许多研究者面临的挑战。

技术难点

从QuPath导出的GeoJSON格式标注文件直接加载到Seurat对象时，主要存在两个技术难点：

1. 坐标系统不匹配：病理标注通常在原始高分辨率图像上完成，而Seurat分析使用的是经过降采样的低分辨率图像，两者之间存在尺度转换问题。

2. 数据结构差异：GeoJSON文件中的多边形标注需要转换为Seurat能够识别的空间数据结构，特别是当标注包含多个多边形区域时。

解决方案

1. 数据准备阶段

首先需要从GeoJSON文件中提取标注信息。使用R中的sf包可以高效读取GeoJSON文件：

library(sf)
annotations <- st_read("path/to/annotation.geojson")

对于包含多边形的复杂标注，建议先进行数据验证和简化：

annotations <- st_make_valid(annotations)

2. 坐标转换处理

关键步骤是确定原始高分辨率图像与Seurat使用的低分辨率图像之间的缩放比例。通常可以通过比较两种图像的尺寸来计算缩放因子：

scale_factor <- 低分辨率图像宽度 / 原始图像宽度

然后将标注坐标按比例缩放：

scaled_coords <- st_coordinates(annotations)[, 1:2] * scale_factor

3. 创建Segmentation对象

将转换后的坐标与区域分类信息组合成数据框：

segmentation_df <- data.frame(
  x = scaled_coords[,1],
  y = scaled_coords[,2],
  cell = 区域分类名称
)

使用Seurat的CreateSegmentation函数创建空间对象：

segmentation_obj <- CreateSegmentation(segmentation_df)

4. 整合到Seurat对象

最后将标注区域叠加到现有的空间数据上：

seurat_obj[["custom_annotations"]] <- Overlay(seurat_obj[["slice1"]], segmentation_obj)

常见问题排查

1. "Cannot remove default boundary"错误：

   • 检查坐标转换是否正确
   • 确认标注区域是否确实包含细胞点
   • 尝试简化多边形复杂度

2. 标注区域与图像不匹配：

   • 验证缩放因子计算
   • 检查图像坐标系是否一致
   • 考虑手动微调坐标偏移

3. 多区域标注处理：

   • 将复合多边形拆分为单个区域处理
   • 为每个区域单独创建Segmentation对象
   • 最后合并结果

最佳实践建议

1. 在QuPath中直接对低分辨率图像进行标注可以避免缩放问题
2. 对于复杂组织，分区域逐步处理比一次性处理所有标注更可靠
3. 可视化检查每个步骤的结果，确保中间数据正确
4. 考虑开发自定义函数自动化重复性操作

通过上述方法，研究者可以有效地将病理学家的专业知识整合到Seurat的空间转录组分析流程中，为后续的差异表达分析和空间模式研究提供有价值的区域划分依据。