作者，追风少年i
hello，大家好，周五了，马上大家就可以过一个美好的礼拜天了，不过现在还是工作的时间，今天分享一个分析细胞类型空间依赖性的代码，分析的结果如下图所示：
图片.png
谈起空间依赖性，其实跟生态位、细胞“单元”的意思差不多，就是某些细胞类型通常会聚集在一起，其实之前分享了很多空间共定位的文章，放在这里，供大家参考。
10X空间转录组时空基因细胞动态（共定位）绘图
10X空间转录组分析之细胞的空间连接性
10X空间转录组分析之空间模式与共定位
首先呢，我们需要思考一个问题，我们要计算细胞的空间共定位或者叫依赖性，距离怎么判定？？是必须在同一个spot里面，还是一个spot涵盖周围的spot或者更远？？这种认知一方面需要我们对组织的结构有一个清楚的认知，另一方面，就需要通过生信手段的方法来辅助分析了。
分析前准备
- 单细胞空间联合分析的结果矩阵（Seurat、cell2location结果均可）
好了，开始分享示例代码
library(tidyverse)
library(Seurat)
library(mistyR)
source("misty_utilities.R") ####source脚本的代码放在了最下面
future::plan(future::multisession)
需要source的脚本misty_utilities.R代码我放在了最后面。
定义共定位的分析函数
run_colocalization <- function(slide,
assay,
useful_features,
out_label,
misty_out_alias = outdir) { ###输出目录大家自己制定
# Define assay of each view ---------------
view_assays <- list("main" = assay,
"juxta" = assay,
"para" = assay)
# Define features of each view ------------
view_features <- list("main" = useful_features,
"juxta" = useful_features,
"para" = useful_features)
# Define spatial context of each view -----
view_types <- list("main" = "intra",
"juxta" = "juxta",
"para" = "para")
# Define additional parameters (l in case of paraview,
# n of neighbors in case of juxta) --------
view_params <- list("main" = NULL,
"juxta" = 2,
"para" = 5)
misty_out <- paste0(misty_out_alias,
out_label, "_", assay)
run_misty_seurat(visium.slide = slide,
view.assays = view_assays,
view.features = view_features,
view.types = view_types,
view.params = view_params,
spot.ids = NULL,
out.alias = misty_out)
return(misty_out)
}
这个函数主要用来定义如何界定共定位的距离，在这里我设定了main就是点内，每个点周围的2层spot为点间（juxta），第三种情况就是更远的范围，设置为外围的5层spot（para），关于点内，点间，和other的定义，之前说过，如下图，所不同的是外围几层的设定，当然名称大家可以改成自己喜欢的方式。
18814178-6f5c7e72a3e0a35a.png
好了，我们要继续代码了
slide <- readRDS(rds) ###读取单细胞空间联合分析的rds,这里的rds包含了单细胞空间联合分析的结果
####如果rds里面没有包含单细胞空间联合分析的结果，那么可以将分析的结果导入进去，方法如下
####anno = read.csv(sp_sc.csv,header = T,row.names = 1 ,check.names = F)
####library(matrix)
####slide@assays$SCT@data = as(anno,"dgCMatrix")
####assay = 'SCT'
DefaultAssay(slide) <- 'predictions'
useful_features <- rownames(slide) ####也可以自我设定感兴趣的细胞类型
useful_features <- useful_features[! useful_features %in% "prolif"]
mout <- run_colocalization(slide = slide,
useful_features = useful_features,
out_label = slide_id,
assay = assay,
misty_out_alias = outdir) ###输出目录大家自己设定
分析到这里，基本上分析过程就结束了，文件如下，这里我选用了几种细胞类型
图片.png
这些文件包含了每种细胞类型在三种条件下细胞空间依赖性的结果，感兴趣的大家可以分析看看，接下来我们要进行可视化。
文件里面的有些结果大家要认真对待一下，其中R2代表了absolute percentage，RMSE指均方根误差。
好了，开始可视化
misty_res_slide <- collect_results(mout)
plot_folder <- paste0(mout, "/plots")
system(paste0("mkdir ", plot_folder))
pdf(file = paste0(plot_folder, "/", slide_id, "_", "summary_plots.pdf"))
mistyR::plot_improvement_stats(misty_res_slide)
mistyR::plot_view_contributions(misty_res_slide)
mistyR::plot_interaction_heatmap(misty_res_slide, "intra", cutoff = 0)
mistyR::plot_interaction_communities(misty_res_slide, "intra", cutoff = 0.5)
mistyR::plot_interaction_heatmap(misty_res_slide, "juxta_2", cutoff = 0)
mistyR::plot_interaction_communities(misty_res_slide, "juxta_2", cutoff = 0.5)
mistyR::plot_interaction_heatmap(misty_res_slide, "para_5", cutoff = 0)
mistyR::plot_interaction_communities(misty_res_slide, "para_5", cutoff = 0.5)
dev.off()
在得到的图片summary_plots.pdf里面就有了我们想要的分析结果，我们来看一下
intra情况下细胞之间的依赖情况
图片.png
图片.png
包含外围2层spot的情况下细胞的空间依赖性
图片.png
图片.png
包含外围5层spot情况下细胞的空间依赖性
图片.png
图片.png
可见随着距离的远近细胞之间共定位的情况会发生变化，其实点内和点间是我们关注的重点，结果的解读就留给大家做自己的课题的时候认真思考吧。
我们延伸一下，可以看到通路分析的空间供定位
图片.png
