作者，Evil Genius
今天我们一群光棍们在吃烧烤，有个光棍问，100斤鸡蛋重还是100斤女人重？一下子大家都笑了。
今天我们继续补充关于肿瘤边界划分的分析，文章在Reconstruction of the tumor spatial microenvironment along the malignant-boundary-nonmalignant axis（nature communications IF 16.6）
接文章空间转录组识别恶性-边界-非恶性轴肿瘤空间微环境解析
空间数据库SpatialTME与空间主要分析
首先关于空间形态学调整spot基因表达的内容。
这个内容其实在stlearn中介绍过，文章在时空轨迹和空间细胞相互作用，其重要的目的是
空间转录组学(ST)表达矩阵和HE染色组织学图像为输入。空间基因表达数据存储在M × N矩阵中，包含M个spot和N个基因的唯一分子标识符(UMI)计数，以及每个点的(x,y)二维(2D)空间坐标。基于spot二维空间坐标，利用计算机视觉中成熟的卷积神经网络(CNN)图像分类模型ResNet50和包含数百万张图像的ImageNet数据集，提取HE染色的组织学图像，并将其转换为M × D矩阵，其中包含M个spot和2048个像素。通过主成分分析(PCA)将空间基因表达量和像素矩阵分别减少到50个PC。采用Stlearn的SME归一化算法，根据spot图像矩阵调整基因表达，得到形态调整后的基因表达矩阵(Morph)。
关于stlearn的SME方法，也分享过，网址在10X单细胞空间回顾之stlearn
官网网址在stSME clustering tutorial — stLearn 0.4.11 documentation
恶性spot的鉴别
Cottrazm采用标准的Morph预处理，包括每个细胞的大小因子为10,000的对数归一化，以及所有spot上每个基因的表达值z-score转化。运行PCA降维后，采用Seurat的KNN算法对空间spot进行聚类。采用Seurat的UMAP算法可视化细胞亚型。
采用泛免疫标记物(PTPRC)、泛T细胞标记物(CD2、CD3D、CD3E、CD3G、CD5、CD7)和B细胞标记物(CD79A、MS4A1、CD19)等一系列免疫相关标记物进行spot评分。这些特征在Morph中的平均值表示为每个点的正常组织表达评分(NormalScore)。根据聚类结果，Cottrazm选取该聚类中NormalScore中值最高的CNV作为CNV参考。然后，采用基于分析空间或Morph的inferCNV算法，并使用隐马尔可夫模型(HMM)评估剩余spot的CNV水平。为了更准确地对空间spot进行分类，区分恶性spot和非恶性spot，Cottrazm在interncv中采用分层聚类，采用随机树方法将所有spot划分为8个聚类。参考spot被标记为“正常”。根据无CNV变异的基因得分为3分，CNV扩增的基因得分大于3分，CNV缺失的基因得分小于3分，对于spoti的genej，其CNV得分记为csi,j, spoti的CNV得分记为csi，定义如下:
将每个点的CNV分数添加到聚类的Seurat对象中。结合HE染色，将CNV中位数评分较高的CNVLabels(通常为2-4)纳入“MalLabel”，并将这些标签内的spot初步定义为恶性spot的核心spot。
根据聚类结果，如果聚类中超过一半的spot被识别为MalLabel，则将该聚类定义为恶性聚类。
寻找肿瘤核心的邻近点
cotrazm在六边形格子上排列空间spot，并定义相邻的spot。简单地说，利用空间信息，沿着每个轴，使用图像像素坐标和每个点对应的阵列坐标来拟合线性模型。然后，Cottrazm将沿着每个轴的距离相加，并将其乘以一个缩放因子，得到曼哈顿的距离，用半径(r)表示，即相邻spot之间的最大距离。接下来，对于空间中任意两个spot(spot i和spot j)，使用图像像素坐标计算它们之间的曼哈顿距离(pdisti,j)。当pdisti,j≤r时，认为这两个spot相邻，否则不相邻。
关于解卷积的部分就不过多介绍了，已经写过很多了。
再强调一下空间通讯分析，评估边界spot及其相邻spot的边界富集subcluster的相互作用。具体文章参考空间邻域通讯分析大汇总
