🤩 Seurat | 空间转录组数据分析的标准流程！~（二）（多数据整合与各技术特点）

生信漫卷

发布于 2025-11-13 18:25:21

3580

文章被收录于专栏：R语言及实用科研软件R语言及实用科研软件

写在前面

今天是如何在Seurat中处理多个切片。😎

用到的包

rm(list = ls())
library(SeuratObject)
library(Seurat)
library(SeuratData)
library(ggplot2)
library(patchwork)
library(dplyr)

示例数据

这个小鼠大脑数据集包含另一个与大脑另一半相对应的切片。🙂

在这里，我们读入并执行相同的预处理。😘

#InstallData("stxBrain")
brain <- LoadData("stxBrain", type = "anterior1")
brain

#InstallData("stxBrain")
brain2 <- LoadData("stxBrain", type = "posterior1")
brain2 <- SCTransform(brain2, assay = "Spatial", verbose = FALSE)

整合数据

为了在同一个Seurat对象中处理多个切片，需要用到merge()。🤓

brain.merge <- merge(brain, brain2)

然后，降维和聚类。🥰

DefaultAssay(brain.merge) <- "SCT"
VariableFeatures(brain.merge) <- c(VariableFeatures(brain), VariableFeatures(brain2))
brain.merge <- RunPCA(brain.merge, verbose = FALSE)
brain.merge <- FindNeighbors(brain.merge, dims = 1:30)
brain.merge <- FindClusters(brain.merge, verbose = T)
brain.merge <- RunUMAP(brain.merge, dims = 1:30)

最后，数据可以在单个 UMAP 图中联合可视化。😘

DimPlot(brain.merge, reduction = "umap", group.by = c("ident", "orig.ident"))

SpatialDimPlot(brain.merge)

SpatialFeaturePlot(brain.merge, features = c("Hpca", "Plp1"))

补充一下

空间转录组（Spatial Transcriptomics）领域里主流的几类技术路线：👇

1️⃣ Visium v1 chemistry （10x Genomics）：好比把一座城市切成网格（每个格子有几十栋楼），我们能知道每个格子里有哪些“声音”，但不能分辨出具体哪栋楼在说；

2️⃣ Slide-seq v2：城市被拆成“楼房级别”的地图，每个楼门口都贴了二维码，能知道哪栋楼里发出了哪些声音；

3️⃣ Image-based Spatial Data（成像型空间转录组，比如 MERFISH, seqFISH, CosMx, Xenium 等）：不再只是“听到声音”，而是拿着放大镜直接看每个人嘴里在说什么字；

4️⃣ Visium HD （10x Genomics 最新）：从“街区地图 → 楼房地图 → 楼层地图”，Visium HD 甚至能精确到“每个房间里的人在说什么”；

技术	分辨率	是否全转录组	技术难度	代表性优点
Visium v1	~55 μm，几十个细胞	✅	★	成熟稳定，数据分析生态完善
Slide-seq v2	~10 μm，近单细胞	✅	★★★	分辨率更高，能接近单细胞水平
成像型 (MERFISH/seqFISH 等)	单分子、亚细胞级别	❌（靶向基因）	★★★★	精度最高，可看到 RNA 在细胞内的位置
Visium HD	~2 μm，亚细胞	✅	★★★	分辨率最高 + 全转录组