单细胞与空间转录组的跨模态标签转移
本文代码来自Seurat官方网站。介绍单样本空转数据的标签转移。 ``` rm(list = ls()) library(tidyverse) library(Seurat) library(SeuratData) cortex = readRDS("cortex.rds") ``` 这是小鼠皮层细胞的高质量参考数据,来自 Allen 研究所。 下载自 [https://www.dropbox.com/s/cuowvm4vrf65pvq/allen_cortex.rds?dl=1](https://www.dropbox.com/s/cuowvm4vrf65pvq/allen_cortex.rds?dl=1) ``` allen_reference % RunPCA(verbose = FALSE) %>% RunUMAP(dims = 1:30) ``` 参考数据是已经注释好的Seurat对象,注释的细胞类型存储在meta.data的subclass列,画个umap图展示它。 ``` DimPlot(allen_reference, group.by = "subclass", label = TRUE)+NoLegend()+coord_fixed() ```  简单罗列一下这些细胞类型咯,不研究这个领域的话,只要分清楚这些单词是细胞的名字,不是基因名字就可以啦! |||| | --- | --- | --- | |兴奋性神经元|L2/3 IT|第2/3层端脑内投射神经元| |兴奋性神经元|L4|第4层颗粒神经元| |兴奋性神经元|L5 IT|第5层端脑内投射神经元| |兴奋性神经元|L5 PT|第5层锥体束投射神经元| |兴奋性神经元|L6 CT|第6层皮层丘脑投射神经元| |兴奋性神经元|L6 IT|第6层端脑内投射神经元| |兴奋性神经元|L6b|第6b层神经元| |兴奋性神经元|NP|近距离投射神经元| |抑制性神经元|Lamp5|Lamp5 中间神经元| |抑制性神经元|Meis2|Meis2 中间神经元| |抑制性神经元|Pvalb|小清蛋白中间神经元| |抑制性神经元|Serpinf1|Serpinf1 中间神经元| |抑制性神经元|Sncg|Sncg 中间神经元| |抑制性神经元|Sst|生长抑素中间神经元| |抑制性神经元|Vip|VIP 中间神经元| |发育相关神经元|CR|Cajal-Retzius 细胞| |非神经元细胞|Astro|星形胶质细胞| |非神经元细胞|Endo|血管内皮细胞| |非神经元细胞|Macrophage|巨噬细胞/小胶质细胞| |非神经元细胞|Oligo|少突胶质细胞| |非神经元细胞|Peri|周细胞| |非神经元细胞|SMC|平滑肌细胞| |非神经元细胞|VLMC|血管及软脑膜细胞| 寻找锚点,进行标签转移。这里的 cortex 已经完成了 SCTransform 和 PCA,因此可以直接用于寻找锚点和标签转移。 ``` anchors <- FindTransferAnchors(reference = allen_reference, query = cortex, normalization.method = "SCT", reference.reduction = "pca", dims = 1:30) predictions.assay <- TransferData(anchorset = anchors, refdata = allen_reference$subclass, prediction.assay = TRUE, weight.reduction = cortex[["pca"]], dims = 1:30) ``` 此时我们得到的predictions.assay是每个spot是每一种细胞的预测分数。把他插入空转Seurat对象作为一个组成部分。 ``` GetAssayData(predictions.assay, layer = "data")[1:4, 1:4] ``` ``` ## AAACAGAGCGACTCCT-1 AAACCGGGTAGGTACC-1 AAACCGTTCGTCCAGG-1 ## Vip 0 0 0 ## Lamp5 0 0 0 ## Sst 0 0 0 ## Sncg 0 0 0 ## AAACTCGTGATATAAG-1 ## Vip 0 ## Lamp5 0 ## Sst 0 ## Sncg 0 ``` ``` cortex[["predictions"]] <- predictions.assay DefaultAssay(cortex) <- "predictions" ``` 画图查看其中两种细胞的预测分数。 ``` SpatialFeaturePlot(cortex, features = c("L2/3 IT", "L4"), ncol = 2, crop = TRUE) & theme(plot.margin = unit(c(1, 1, 1, 1), "mm"), legend.text = element_text(size = 8)) ```  寻找(预测分数)有明显空间分布模式的细胞类型。 ``` cortex <- FindSpatiallyVariableFeatures(cortex, assay = "predictions", selection.method = "moransi", features = rownames(cortex), layer = "data") ``` 展示 Moran’s I 最高的 4 种细胞类型,也就是预测分数空间自相关性最强、空间分布模式最明显的细胞类型。(图上画的是细胞类型预测分数,不是基因表达量,也不是真实细胞数量或者丰度。) ``` top.clusters <- head(SpatiallyVariableFeatures(cortex, method = "moransi"), 4) SpatialFeaturePlot(object = cortex, features = top.clusters, ncol = 2) & theme(plot.margin = unit(c(1, 1, 1, 1), "mm"), legend.text = element_text(size = 8)) ```  最后,展示各种细胞类型预测分数的空间分布,可以与已知的小鼠皮层分层结构进行比较,检查是否相符。 ``` features_of_interest <- c("Astro", "L2/3 IT", "L4", "L5 PT", "L5 IT", "L6 CT", "L6 IT", "L6b", "Oligo") SpatialFeaturePlot(cortex, features = features_of_interest, pt.size.factor = 1.6, ncol = 3, crop = TRUE,alpha = c(0.1, 1)) & theme(plot.margin = unit(c(1, 1, 1, 1), "mm")) ``` 