Scanpy对VisiumHD空间转录组数据中parquet格式的支持解析

背景介绍

随着空间转录组技术的发展，10X Genomics推出的VisiumHD技术平台能够捕获更高密度的空间数据。这种技术进步带来了数据量的显著增加，传统的CSV文件格式在处理大规模数据时开始显现局限性。

技术挑战

在VisiumHD平台中，由于捕获的barcode数量大幅增加，传统的CSV文件格式面临两个主要问题：

1. 行数限制问题：CSV格式在处理超大规模数据时存在性能瓶颈
2. 存储效率问题：CSV格式存储空间利用率不高

10X Genomics的解决方案是采用parquet文件格式替代传统的CSV格式来存储组织位置信息(tissue_position_list)。parquet是一种列式存储格式，具有以下优势：

• 更高的压缩率
• 更快的读取速度
• 更好的大数据处理能力

Scanpy的现状与改进

Scanpy作为单细胞和空间转录组数据分析的主流工具，其read_visium函数目前仅支持读取CSV格式的组织位置文件。这导致用户在分析VisiumHD数据时遇到兼容性问题。

现有实现分析

当前Scanpy 1.9.6版本的实现中，read_visium函数硬编码了CSV文件路径，无法自动识别parquet格式文件：

files = dict(
    tissue_positions_file=path / 'spatial/tissue_positions_list.csv',
    scalefactors_json_file=path / 'spatial/scalefactors_json.json',
    hires_image=path / 'spatial/tissue_hires_image.png',
    lowres_image=path / 'spatial/tissue_lowres_image.png',
)

改进方案

为了支持VisiumHD数据，Scanpy需要进行以下改进：

1. 文件检测机制：自动检测目录中是否存在CSV或parquet格式的组织位置文件
2. 多格式支持：根据检测到的文件类型选择相应的读取方法

改进后的代码逻辑如下：

files = dict(
    tissue_positions_file = next((path / f'spatial/tissue_positions_list{suffix}' 
                               for suffix in ['.csv', '.parquet'] 
                               if (path / f'spatial/tissue_positions_list{suffix}').exists()), 
                               None),
    scalefactors_json_file=path / 'spatial/scalefactors_json.json',
    hires_image=path / 'spatial/tissue_hires_image.png',
    lowres_image=path / 'spatial/tissue_lowres_image.png',
)

if files['tissue_positions_file'].suffix == '.csv':
    positions = pd.read_csv(files['tissue_positions_file'], header=None)
elif files['tissue_positions_file'].suffix == '.parquet':
    positions = pd.read_parquet(files['tissue_positions_file'])

技术实现细节

文件检测机制

改进方案使用了Python的next函数配合生成器表达式，实现了对多种文件格式的智能检测：

1. 首先尝试查找CSV格式文件
2. 如果不存在，则尝试查找parquet格式文件
3. 如果都不存在，则返回None

多格式读取支持

根据检测到的文件后缀名，选择适当的pandas读取方法：

• .csv文件：使用pd.read_csv
• .parquet文件：使用pd.read_parquet

未来展望

这一改进将使Scanpy能够无缝支持VisiumHD数据，为用户提供更流畅的分析体验。随着空间转录组技术向更高通量发展，工具链的持续优化将变得愈发重要。Scanpy团队已计划在未来的版本中实现这一功能升级。

对于用户而言，这一改进意味着：

1. 无需手动转换文件格式
2. 分析流程更加自动化
3. 能够直接处理最新的VisiumHD数据

随着空间转录组技术的快速发展，类似的文件格式适配工作将成为生物信息学工具维护的常规任务，确保工具链能够跟上实验技术进步的步伐。