空间转录组: DLPFC数据集分析 (1)
空间转录组: DLPFC数据集分析 (1)
引言
本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！
引言
本文分析一个 10x Genomics Visium 数据集，该数据集包含一个样本（Visium 捕获区域），取自人类背外侧前额叶皮层（DLPFC）区域的死后脑组织。
原始完整数据集总共包含 12 个样本，来自 3 名供体，每名供体有 2 对空间相邻的重复（连续切片）（每名供体 4 个样本）。每个样本在组织切片中跨越多个皮层层次以及白质。本工作流程中的示例使用一个具有代表性的样本，标记为 151673，该样本经常在各种空间组学数据分析方法论文中被展示。
依赖
library(SpatialExperiment)
library(STexampleData)
library(ggspavis)
library(patchwork)
library(scater)
library(scran)
library(pheatmap)
加载数据
从 DLPFC 数据集中加载样本 151673。该样本以 SpatialExperiment 对象的形式提供，来自 STexampleData 包。
# load data
spe <- Visium_humanDLPFC()
class(spe)
## [1] "SpatialExperiment"
## attr(,"package")
## [1] "SpatialExperiment"
dim(spe)
## [1] 33538 4992
绘制数据
作为初始检查，在 x-y 维度上绘制空间坐标（spots），以确认对象已正确加载。我们使用 ggspavis 包中的绘图函数。
质量控制（QC）
我们使用 scater 包计算质量控制（QC）指标，并应用简单的全局阈值法进行质量控制，以识别任何低质量的 spots。
# plot spatial coordinates (spots)
plotCoords(spe)
## [1] 33538 3639
# identify mitochondrial genes
is_mito <- grepl("(^MT-)|(^mt-)", rowData(spe)$gene_name)
table(is_mito)
## is_mito
## FALSE TRUE
## 33525 13
rowData(spe)$gene_name[is_mito]
## [1] "MT-ND1" "MT-ND2" "MT-CO1" "MT-CO2" "MT-ATP8" "MT-ATP6" "MT-CO3"
## [8] "MT-ND3" "MT-ND4L" "MT-ND4" "MT-ND5" "MT-ND6" "MT-CYB"
# calculate per-spot QC metrics and store in colData
spe <- addPerCellQC(spe, subsets = list(mito = is_mito))
head(colData(spe), 3)
通过直方图查看各 QC 指标的分布，以此设定全局过滤阈值。
par(mfrow = c(1, 4))
hist(spe$sum, xlab = "sum", main = "UMIs per spot")
hist(spe$detected, xlab = "detected", main = "Genes per spot")
hist(spe$subsets_mito_percent, xlab = "pct mito", main = "Percent mito UMIs")
hist(spe$cell_count, xlab = "no. cells", main = "No. cells per spot")
# select global QC thresholds
spe$qc_lib_size <- spe$sum < 600
spe$qc_detected <- spe$detected < 400
spe$qc_mito <- spe$subsets_mito_percent > 28
table(spe$qc_lib_size)
##
## FALSE TRUE
## 3631 8
table(spe$qc_detected)
##
## FALSE TRUE
## 3632 7
table(spe$qc_mito)
##
## FALSE TRUE
## 3622 17
绘制潜在低质量 spots 的空间分布图，确认它们没有集中在具有生物学意义的区域（若集中，则提示所选阈值可能过于严格）。
# plot spatial distributions of discarded spots
p1 <- plotObsQC(spe,
plot_type = "spot",
annotate = "qc_lib_size") +
ggtitle("Library size (< threshold)")
p2 <- plotObsQC(spe,
plot_type = "spot",
annotate = "qc_detected") +
ggtitle("Detected genes (< threshold)")
p3 <- plotObsQC(spe,
plot_type = "spot",
annotate = "qc_mito") +
ggtitle("Mito proportion (> threshold)")
# arrange plots using patchwork package
p1 | p2 | p3
将各指标检出的低质量 spots 合并，最终确定要丢弃的 spots 集合。
# number of identifed spots for each metric
apply(cbind(spe$qc_lib_size, spe$qc_detected, spe$qc_mito), 2, sum)
## [1] 8 7 17
# combined set of identified spots
spe$discard <- spe$qc_lib_size | spe$qc_detected | spe$qc_mito
table(spe$discard)
##
## FALSE TRUE
## 3614 25
绘制待丢弃的“已识别低质量 spots”合并集合的空间分布图，再次确认它们并未对应任何明显具有生物学意义的区域，否则将提示我们可能剔除了具有生物学信息的 spots。具体而言，在本数据集中，我们要确保被丢弃的 spots 不会集中于单一皮质层。
# check spatial pattern of discarded spots
plotObsQC(spe, plot_type = "spot", annotate = "discard")
过滤低质量的spots
# filter out low-quality spots
spe <- spe[, !spe$discard]
dim(spe)
## [1] 33538 3614
未完待续，欢迎关注！
Reference
[1]
Ref: https://lmweber.org/OSTA/
腾讯云开发者
