Nat Genetics|单细胞、单核、VDJ、空间构建肺全图谱和免疫生态位
原创Nat Genetics|单细胞、单核、VDJ、空间构建肺全图谱和免疫生态位
原创
作者，Evil Genius
新的一周，虽然还很难，但是有希望
今天我们来分享一篇文献，A spatially resolved atlas of the human lung characterizes a gland-associated immune niche,2023年1月发表于nature genetics，文章运用了很多比较值得学习的方法,对于单细胞、单核、VDJ，尤其对于空间细胞类型共定位的运用很好，我放在了最后，大家随意取阅。
肺脏除了拥有气体交换功能外，还具有重要的屏障功能，对人体健康至关重要。肺脏功能异常可引起肺部疾病。目前，肺部疾病在全球死亡原因中排名第三，全面了解界定肺功能的细胞和微环境对于治疗肺部疾病十分重要。
虽然单细胞转录组层面的研究已经促进了人们对肺功能的理解，但肺是由复杂的结构和环境共同组成的，不能仅通过单细胞转录组测序对其进行研究。肺细胞是如何组装的、特定的细胞类型（尤其是罕见的细胞类型）是如何导致肺部疾病等仍是悬而未决的难题。因此，了解健康肺部局部环境中细胞之间的联系可以帮助医生确定疾病中什么被破坏，为如何预防或治疗肺部疾病提供线索。
来自英国威康桑格研究所、剑桥大学的研究人员联合单细胞、空间转录组学（spatial transcriptomics，ST）方法，对已故器官捐赠者的健康肺和气道进行深层组织细胞解析，并沿着呼吸树从近端到远端轴线对组织细胞类型进行表征，共鉴定了80种细胞类型/状态，其中涵盖11种在先前的肺图谱研究中未被定义的细胞类型，构建了全面的人肺细胞图谱，并定义了一个腺体相关免疫生态位（gland-associated immune niche，GAIN）。
我们来看一下这篇文章：
文章首先通过scRNA-seq、snRNA-seq、VDJ-seq和ST深层分析了人类肺部和气道的五个近端到远端位置的组织样本，以捕获软骨、肌肉和粘膜下腺（SMG）等结构。对13名捐赠者的肺组织中的近20万个细胞进行了基因分析，发现了11种新细胞类型，共鉴定并显示了80种细胞类型的确切位置。根据特征性基因的表达，这些细胞大致可区分为上皮细胞、免疫细胞、红系细胞、内皮细胞和间质细胞。此外，研究发现在上述新的细胞类型中，支气管周围成纤维细胞与慢性阻塞性肺病（COPD）和特发性肺纤维化有关。
marker基因和空间形态学的知识我们也需要掌握，画图的代码放在了最后
结果1、Rare fibroblasts with immune recruiting properties
成纤维细胞的顺序聚类分成了11个不同的成纤维细胞亚群。其中包括一种罕见的细胞类型，被称为免疫招募成纤维细胞（IR-fibro）。IR-fibr细胞表达趋化因子CCL19和CCL21，可与成纤维细胞网状细胞和滤泡树突状细胞的其他标记基因（如CXCL12、GREM1、CXCL13、FDCSP）共同负责免疫细胞（T和B细胞）在次级淋巴器官中的定位。
结果2、体循环和肺循环中的血管细胞类型
研究可以通过实质（肺血管）和气管（系统血管）的特异性富集来区分肺和体循环细胞cluster。利用ST，进一步区分了动脉内皮细胞类型[全身动脉内皮细胞 (E-Art-syst) 和肺动脉内皮细胞 (E-Art-pulm)]、非血管气道平滑肌细胞、肺及全身平滑肌/血管周围细胞[肺平滑肌肌肉、肺周细胞（Peri-pulm）、全身动脉平滑肌（SM-Art-syst）、全身性周细胞（Peri-syst），以及静脉血管周围细胞，即免疫募集血管细胞。
结果3、IgA浆细胞与SMG的共定位
B细胞包括原始B细胞和记忆B细胞、IgA和IgG浆细胞以及浆母细胞。其中，IgA对粘膜免疫十分重要，其在气道样本中最常见。在Visium ST数据中，IgA浆细胞映射到气道SMG，与导管、粘液和浆液细胞共定位，而IgG则映射到免疫浸润区。研究团队使用细胞定位NMF进一步区分了IgA浆细胞在浆液腺中的富集，确定了两种不同的腺体因子：一种是SMG浆液细胞与IgA浆细胞的共定位；另一种是与其他SMG上皮细胞的共定位。
为在单细胞分辨率下剖析这一生态位，研究团队使用多重免疫组化来确认SMG中存在IgA而不是IgG细胞，并在人SMG中检测到IgD阳性的naive B细胞和CD3+ CD4+ T辅助细胞。研究团队假设这些不同类型的细胞共同构成了一个与疾病相关的免疫生态位，并将其命名为“腺体相关免疫生态位”（GAIN）。
结果5、细胞-细胞相互作用和SMG免疫细胞生态位
通过CellChat细胞-细胞相互作用分析，研究人员全面描述了在SMG中募集和维持免疫细胞功能的分子信号通路
IgA反应对于有效预防呼吸道感染非常重要，但其在COPD和囊性纤维化等肺部疾病中受到破坏。GAIN的存在则有助于对抗呼吸道感染，并最终促进IgA抗体的产生，这也是研究人员首次设法详细描绘这一复杂的过程。对GAIN功能的进一步研究可能有助于开发缓解疾病症状的疗法，提高对感染的抵抗力或构建增强疫苗反应的方法。
我其实最感兴趣的是空间细胞共定位的实现方法是什么
主要有五部分内容：
- Loading Visium data and single cell reference
- Show UMAP of cells and locations
- cell2location analysis in one step
- Automatic discrete region identification by clustering cell densities
- Visualize cell type density gradients using diffusion maps
- Identify co-occuring cell type combinations using matrix factorisation
import sys
sys.path.insert(1, '/nfs/team205/vk7/sanger_projects/BayraktarLab/scvi-tools/')
sys.path.insert(1, '/nfs/team205/vk7/sanger_projects/BayraktarLab/cell2location/')
import scanpy as sc
import anndata
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import cell2location
#import scvi
from matplotlib import rcParams
rcParams['pdf.fonttype'] = 42 # enables correct plotting of text
import seaborn as sns
adata_vis = sc.read_h5ad(f'{scvi_run_name}/sp.h5ad')
adata_vis.obs[adata_vis.uns['mod']['factor_names']] = adata_vis.obsm['q05_cell_abundance_w_sf']
####Dotplot by histology-based annotation
# read histology-based annotations of iBALT:
annot_ = pd.read_csv(f'{annotation_folder}WSA_LngSP10193348/iBALT.csv', index_col='Barcode')
annot_.index = [f'WSA_LngSP10193348_{j}' for j in annot_.index]
annot_ = annot_.loc[annot_['iBALT'] == 1.0, :]
adata_vis.obs.loc[adata_vis.obs_names.isin(annot_.index), 'iBALT'] = '1.0'
adata_vis.obs['iBALT'].value_counts(dropna=False)
# read histology-based annotations of Glands:
annot_ = pd.read_csv(f'{annotation_folder}WSA_LngSP10193348/Glands.csv', index_col='Barcode')
annot_.index = [f'WSA_LngSP10193348_{j}' for j in annot_.index]
annot_ = annot_.loc[annot_['Glands'] == 1.0, :]
adata_vis.obs.loc[adata_vis.obs_names.isin(annot_.index), 'Glands'] = '1.0'
adata_vis.obs['Glands'].value_counts(dropna=False)
fig_dir = f'{scvi_run_name}/plots/'
annot_ = ['Tissue', 'Perichondrium', 'Cartilage', 'Glands',
'Multilayer_epithelium', 'Airway_Smooth_Muscle', 'Weird_morphology',
'Nerve', 'Venous_vessel', 'Arterial_vessel', 'Parenchyma',
'Mesothelium', 'Pulmonary_vessel', 'Small_airway', 'iBALT']
annot_abundance_df = pd.DataFrame(index=adata_vis.uns['mod']['factor_names'],
columns=annot_)
for a in annot_:
ind = adata_vis.obs[a] == '1.0'
annot_abundance_df[a] = adata_vis.obs.loc[ind, adata_vis.uns['mod']['factor_names']].mean(0)
annot_abundance_norm = (annot_abundance_df.T / annot_abundance_df.sum(1)).T
mpl.rc_file_defaults()
mpl.rcParams['pdf.fonttype'] = 42 # enables correct plotting of text
with mpl.rc_context({'font.size': 8, 'axes.facecolor': "white"}):
from cell2location.plt.plot_heatmap import clustermap
clustermap(annot_abundance_norm, figure_size=(5, 11),
cmap='RdPu', log=True, fun_type='dotplot',
cluster_rows=True, cluster_cols=True)
plt.savefig(f"{fig_dir}histology_annotation_dotplot.pdf",
bbox_inches='tight')
plt.show()
代码示例在
非常好的文章，生活很好，有你更好
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。