作者, Evil Genius
跟公司要账也是一门技术活。。。。
找工作挨打中。。。。。
今天我们来梳理一下visium HD的个性化分析,欢迎大家补充。
大家要注意,现在有AI了,课题设计、技术路线就显得尤为重要了。
Visium HD 个性化空间分析体系:以细胞分割为核心
细胞分割(Cell Segmentation)作为基础单位,构建从单细胞注释、分子生态位(Molecular Niche)、细胞富集、空间邻域、细胞共定位到细胞间通讯的完整分析体系。
重点是把 Visium HD 从传统的空间表达分析,进一步拓展为细胞尺度的空间组织结构和微环境分析。
建议将整个流程分成6 个模块:
这里有一个重要的分析区分:
- Molecular Niche:根据细胞自身的转录特征及其周围空间分子环境识别生态位。
- Cellular Niche:根据某类细胞周围的细胞类型组成,定义细胞所处的微环境。
- Spatial Neighborhood:关注细胞之间的距离、共定位和邻接关系。
- Cell Communication:进一步研究邻近细胞之间可能存在的配体-受体信号交流。
这四个层次相互关联,但不能混为一谈。
01. 细胞注释:从细胞大类到精细亚群
细胞分割完成后,获得的是单细胞表达矩阵,但并不意味着已经知道每个细胞的身份。
推荐分析方式:
- 整合 scRNA-seq 参考数据,进行 Label Transfer。
- 结合空间位置与组织形态验证注释。
推荐输出:
- 全组织细胞类型空间分布图。
- 细胞亚群空间分布图。
- 不同 ROI 的细胞组成图。
02. Molecular Niche:基于 BANKSY 的分子生态位分析
这是 Visium HD 细胞分割后最值得深入开展的分析之一。
推荐使用 BANKSY。
BANKSY 到底分析什么?
普通单细胞聚类主要依据细胞自身的表达特征。
BANKSY 则同时考虑:
- 当前细胞自身的基因表达。
- 周围邻居细胞的表达特征。
- 当前细胞所处的局部空间转录环境。
简单理解:
传统单细胞聚类
主要回答:这个细胞自身是什么状态?
BANKSY
进一步回答:这个细胞处于什么样的局部空间分子环境?
具体怎么做?
以分割后的细胞作为分析对象:
- 输入 Cell × Gene 表达矩阵。
- 输入每个细胞的空间坐标。
- 建立空间邻居关系。
- 计算邻域表达特征。
- 将自身表达和邻域表达整合。
- 降维、聚类,获得不同 Molecular Niche。
BANKSY 的核心思想是将细胞自身表达与邻域表达进行联合表征,而不是单纯按照空间距离划分区域。
建议重点开展三类分析
A. Molecular Niche 空间分布
观察不同分子生态位在组织中的位置,例如:
- Tumor-associated niche
- Immune-enriched niche
- Stromal niche
- Vascular niche
- Inflammatory niche
这些名称应由 Marker 和功能富集结果确定,而不是预先指定。
B. Molecular Niche 的表达特征
每个 Niche 进行差异表达分析:
再结合 GO、KEGG、GSEA 分析,解释各个 Niche 的生物学特征。
C. Molecular Niche 与细胞类型之间的关系
例如:
- 哪些细胞亚群主要分布在 Niche 1?
- 同一种细胞是否存在于不同 Niche?
- 同一种细胞处于不同 Niche 时,是否具有不同的转录状态?
- 同一个 Niche 是否同时富集多种细胞类型?
这里可以进一步挖掘一个很有价值的方向:
相同细胞类型在不同 Molecular Niche 中是否存在不同的功能状态?
例如,同样是 CD8 T 细胞:
- Niche A 中以细胞毒性相关表达为主。
- Niche B 中以耗竭相关表达为主。
- Niche C 中以组织驻留相关表达为主。
这样就从单纯的细胞注释,深入到了空间环境依赖的细胞状态分析。
注意:BANKSY 的结果依赖邻域半径、邻居数量、空间权重以及聚类参数。建议测试多个合理参数,观察 Niche 稳定性;同时避免将 BANKSY 聚类结果直接等同于经过验证的功能性生态位。
03. Niche 细胞富集:分析不同生态位内部的细胞组成
这一部分与 BANKSY 有直接联系,但研究问题不同。
BANKSY 负责识别分子生态位,而 Niche Enrichment 负责解释每个生态位内部有哪些细胞,以及哪些细胞存在富集。
3.1 计算每个 Niche 的细胞组成
假设 BANKSY 将组织分为 5 个 Niche:
以上为演示数据,不代表实际实验结果。
可以得到:
- Niche 1:Tumor-associated niche。
- Niche 2:T-cell-enriched niche。
- Niche 3:Macrophage-enriched niche。
- Niche 4:Fibroblast-enriched niche。
3.2 细胞富集分析
不仅计算比例,还应该进行统计学富集分析。
例如:
- CD8 T 是否显著富集于 Niche 2?
- Treg 是否更倾向于分布在某些特定 Niche?
- Macrophage 是否与 Fibroblast 共同形成特定生态位?
- Endothelial 是否与特定免疫细胞形成稳定的空间组合?
推荐使用:
- Fisher's exact test:初步评估细胞与 Niche 的关联。
- Hypergeometric test:评估细胞类型富集。
- Permutation test:通过随机置换构建空间或组成背景。
- 混合效应模型:在多样本情况下控制样本间差异。
特别需要注意:不能将所有细胞当作独立生物学重复。组间比较应该以样本为统计单位,避免细胞数量巨大造成伪重复。
3.3 输出
这里可以形成一个比较完整的结果:
Molecular Niche → Niche 内部细胞组成 → 优势细胞群 → 生态位功能特征。
04. Niche Comparison:不同样本或疾病组之间的生态位比较
这是从单样本空间描述走向疾病机制研究的重要环节。
4.1 Niche 丰度差异
例如比较 Healthy、Tumor、Treatment 三组:
- 哪些 Niche 在疾病组中明显增加?
- 哪些 Niche 在疾病组中减少?
- 治疗后哪些 Niche 恢复?
- 哪些 Niche 在治疗后仍然持续存在?
输出:
- Niche abundance stacked barplot。
- Niche proportion boxplot。
- Niche abundance heatmap。
- 差异生态位火山图。
统计方面,推荐先计算每个样本各 Niche 的细胞比例或面积比例,再进行样本水平的差异分析。
4.2 Niche 内部细胞组成变化
即使两个样本的 Niche 丰度相似,其内部细胞组成也可能完全不同。
例如:
4.3 Niche 分子功能变化
这是我更推荐深入做的部分。
将相同类型的 Niche 在不同组中进行比较,分析:
- Differentially expressed genes。
- GO/KEGG enrichment。
- GSEA。
- Inflammatory signaling。
- Antigen presentation。
- Hypoxia。
- Angiogenesis。
- ECM remodeling。
- T-cell exhaustion。
例如,疾病组和对照组都存在 Tumor-associated Niche,但疾病组中的 Tumor-associated Niche 可能出现:
- TGF-β signaling 增强。
- ECM remodeling 增强。
- Hypoxia 增强。
- Immune suppression 增强。
这样研究的就不只是生态位数量变化,而是疾病过程中空间分子生态位的功能重塑。
这一模块建议形成的核心结果
| |
|---|
| |
| |
| |
| |
Niche spatial distribution | |
05. Spatial Neighborhood:细胞共定位与邻域分析
这一模块需要和 BANKSY 区分开。
BANKSY 主要研究局部转录环境,而 Spatial Neighborhood 直接研究不同细胞之间的空间关系。
5.1 细胞共定位(Cell Co-localization)
核心问题:
两种或多种细胞是否倾向于出现在相同的空间区域?
可以采用:
- Spatial co-occurrence analysis。
- Pairwise spatial association。
- Cross-K function。
- Permutation-based co-localization test。
需要注意,共定位不等于直接细胞接触,也不代表细胞之间存在功能性通讯。
5.2 细胞邻域组成(Cellular Neighborhood)
以一个目标细胞为中心,定义一定空间范围内的其他细胞,统计局部细胞组成。
例如以 CD8 T 为中心:
假设设定三个距离范围:
实际应结合细胞大小、组织结构、目标细胞密度和研究问题确定。
例如:
以 CD8 T 为中心,统计周围:
- CD8 T 数量。
- Treg 数量。
- Macrophage 数量。
- Fibroblast 数量。
- Tumor 数量。
- Endothelial 数量。
最终形成每个 CD8 T 细胞的邻域组成向量。
可以回答:
- 哪类 CD8 T 细胞周围存在较多 Treg?
- 哪类 CD8 T 细胞周围存在较多 Macrophage?
- Tumor 周围是否形成免疫抑制性细胞邻域?
- CD8 T 是否更倾向于聚集在血管附近?
- 不同 CD8 T 亚群是否处于不同的微环境?
5.3 邻域富集(Neighborhood Enrichment)
5.4 进一步:以目标细胞为中心的个性化微环境分析
这一项可以作为整个项目的特色分析。
不再只是统计某种细胞是否靠近另一种细胞,而是根据目标细胞的亚群身份和功能状态,构建不同的邻域模型。
例如:
以 CD8 T 细胞为研究对象
CD8 Effector
研究肿瘤细胞、DC、其他免疫细胞的邻域组成
CD8 Exhausted
研究 Treg、TAM、CAF 等细胞的邻域组成
比较不同 CD8 T 亚群周围的细胞组成,判断它们是否处于不同的微环境,以及微环境差异是否与细胞功能状态相关。
这实际上将研究重点从:
某个细胞周围有哪些细胞?
推进到:
为什么同一种细胞在不同空间微环境中表现出不同的功能状态?
06. Cell Neighborhood Communication:细胞邻域通讯分析
组间通讯比较
进一步比较:
- Healthy vs Disease。
- Disease vs Treatment。
- Primary vs Metastasis。
- Responders vs Non-responders。
重点观察:
- 哪些细胞间通讯在疾病中新增?
- 哪些通讯在疾病中增强?
- 哪些通讯在治疗后下降?
- 哪些通讯在治疗后持续存在?
- 哪些通讯具有明确的空间邻近支持?
- 哪些通讯集中在特定 Molecular Niche?
注意: 配体-受体表达推断并不等于真实信号传递。Visium HD 虽然能够提供细胞分割后的空间表达信息,但 RNA 表达不能直接证明蛋白结合、信号激活或细胞功能改变。最好结合蛋白染色、原位验证或其他功能实验。
最值得突出的是 BANKSY 分子生态位与 Cell-centric Neighborhood 的结合:前者从转录组层面识别局部空间环境,后者从细胞组成层面刻画目标细胞周围的微环境。两者再结合细胞状态与空间通讯,就能形成相对完整的研究体系。
这样设计的 Visium HD 分析,就不只是常规的细胞注释、差异表达和空间分布,而是进一步回答细胞所处的微环境、微环境如何变化,以及微环境如何与细胞功能状态相关。
生活很好,有你更好。