SpaGene：识别空间模式与配受体共定位

生信技能树

发布于 2025-04-13 17:31:06

1.2K1

今天来学习一个空转的可以分析配体受体共定位方法（这个方法还可以分析如空间模式spatial patterns，空间高变基因，我比较关注共定位）：SpaGene，该方法于2022年9月发表在Genome Res杂志上，文献标题为《Scalable and model-free detection of spatial patterns and colocalization》。

SpaGene 是一种新型的空间组学分析方法，无需依赖模型，能够快速在大规模空间组学研究中识别空间模式。它在分析模拟数据和真实空间转录组学数据时表现优于现有方法，具有更强的分析能力和可扩展性。SpaGene 不仅可以重建未观察到的组织结构，还能通过共定位发现配体 - 受体相互作用，为研究细胞间的相互作用提供了有力工具。原理如下：

s1.构建空间网络：SpaGene 首先根据空间位置构建一个 k-最近邻图（k-nearest neighbor graph），其中每个节点代表一个细胞或位点。
s2.提取子网络：对于每个基因，SpaGene 从 k-最近邻图中提取一个子网络，该子网络仅包含该基因高表达的细胞或位点。
s3.量化子网络的连通性：SpaGene 使用 EMD（Earth Mover's Distance）来量化子网络的连通性。EMD 衡量子网络的度分布与完全连接网络的度分布之间的距离。度分布是指子网络中具有特定度（即连接数）的细胞或位点的比例。EMD 距离越短，表明空间连通性越高。
s4.比较观察值与随机值：SpaGene 将观察到的 EMD 距离与随机排列后的预期距离进行比较。如果某个基因的 EMD 距离显著短于随机值，则该基因被识别为空间可变基因。

SpaGene的工作原理

通过spagene鉴定到的五种空间模式以及与其他方法性能的比较：

主嗅球（MOB）的空间转录组学结果

SpaGene 在分析主嗅球（main olfactory bulb，MOB）的空间转录组学数据时，成功识别了多个已知的空间可变基因，这些基因在 MOB 的特定层中表达。例如：

Pcp4 在颗粒细胞层（GCL）中高表达；
Slc17a7 在嗅球细胞层（MCL）中高表达；
Cck 在球状层（GL）中高表达；
Serpine2 在外丛状层（EPL）中高表达；
Fabp7 在嗅神经层（ONL）中高表达。

基于这些识别出的空间可变基因，SpaGene 成功重建了 MOB 的七层结构：

小鼠小脑的 Slide-seqV2 数据结果

SpaGene 成功识别了四个已知在特定小脑层中表达的空间可变基因：

基因	表达层	功能描述
Kcnd2	颗粒层（Granule Layer, GL）	该基因在颗粒层中高表达，编码钾电压门控通道亚家族D成员2，与神经元的兴奋性和信号传导相关。
Car8	浦肯野层（Purkinje Layer, PL）	在浦肯野层中高表达，编码碳酸酐酶相关蛋白8，与浦肯野细胞的结构和功能相关。
Gad1	分子层（Molecular Layer, ML）	主要表达于分子层，编码谷氨酸脱羧酶1，参与γ-氨基丁酸（GABA）的合成，对抑制性神经传递有重要作用。
Mbp	白质（White Matter）	在白质中高表达，编码髓鞘碱性蛋白，是髓鞘的主要成分之一，对神经纤维的髓鞘化和信号传导至关重要。

识别配体-受体相互作用

SpaGene 不仅能够识别空间可变基因，还能扩展用于识别配体-受体相互作用：

在主嗅球（MOB）的空间转录组学数据中，SpaGene 识别了 35 对配体-受体相互作用，其中最显著的两对是 IGFBP5-CAV1（p.adjust = 3×10⁻³¹）和 APOE-LRP6（p.adjust = 2×10⁻¹⁸）。这些相互作用主要发生在外神经层（ONL）和颗粒层（GL）之间；
在小鼠小脑的 Slide-seqV2 数据中，SpaGene 识别了 13 对配体-受体相互作用，其中最显著的一对是 PSAP-GPR37L1（p.adjust = 1×10⁻²⁷）。

代码实操案例

先来简单学习一波官网的案例：https://htmlpreview.github.io/?https://github.com/liuqivandy/SpaGene/blob/master/Tutorial/mbrain_10X.html

安装：

## 使用西湖大学的 Bioconductor镜像
options(BioC_mirror="https://mirrors.westlake.edu.cn/bioconductor")
options("repos"=c(CRAN="https://mirrors.westlake.edu.cn/CRAN/")) 
library(devtools)
install_github("liuqivandy/SpaGene")

识别高变基因和空间模式

这里的示例数据来自作者的github上：是一个10x visium的空转数据 https://github.com/liuqivandy/SpaGene/tree/master/Rawdata

输入数据为一个count矩阵和空间坐标位置location：

## Load the data
load("brain10X/brain10x_raw.rds")
head(location)
count[1:5,1:5]

## Find spatially variable genes and patterns
brain10x_sv <- SpaGene(count,location)
head(brain10x_sv$spagene_res)

# the most significant spt
spagene_res <- brain10x_sv$spagene_res[order(brain10x_sv$spagene_res$adjp),]
head(spagene_res)

# 鉴定空间模式 spatial patterns，设置npattern=15
pattern <- FindPattern(brain10x_sv,nPattern = 15)
PlotPattern(pattern,location,pt.size = 0.5)

pattern的理解： gene similarity with the pattern (genepattern), and the pattern weight (patternw)，每个pattern具体的值：

可视化 spatial patterns：

找到每个pattern相关的top5基因，并绘制热图可视化：

# Top 5 genes falling into each pattern
top5 <- apply(pattern$genepattern,2,function(x){
  names(x)[order(x,decreasing=T)][1:5]
  })

dat <- pattern$genepattern[rownames(pattern$genepattern)%in%top5,]
head(dat)
pheatmap(dat,fontsize_row = 6)

共定位分析

所有的包括人和小鼠的配体受体对可以在这里下载：https://github.com/LewisLabUCSD/Ligand-Receptor-Pairs

########################
## Identify colocalized ligand-receptor pairs
library(stringr)
load("LRpair_human.rds")
head(LRpair)
LRpair$ligand_gene_symbol <- str_to_title(LRpair$ligand_gene_symbol)
LRpair$receptor_gene_symbol <- str_to_title(LRpair$receptor_gene_symbol)

brain10x_lr <- SpaGene_LR(count,location,LRpair=LRpair)  
# the most signficant colocalized LR pairs
head(brain10x_lr[order(brain10x_lr$adj),])

## Plot Ligand-receptor pair Cck-Cckbr
plotLR(count,location,LRpair=c("Cck","Cckbr"),alpha.min=0.2,pt.size = 1)

在单细胞中鉴定到的配受体对，可以在空转上进一步验证，看其是否具有真实发生的可能~