2024最后一课：ISS niche分析与微环境原创

嗯，好了，我们来上我们的最后一课啊，最后一课啊，关于原位数据历史分析和微环境分析的一些内容啊。哎，大家如果做过原位数据的话，不知道大家看过一些文章没有啊，看的多不多。如果大家看的多的话，我会发现一个特点。什么特点呢？呃，第一个原位数据的分析啊。对，这个第一个对图片识别，就是图像识别细胞啊，要求非常高。当然了，大家大家很多现在都是公司发给大家的数据。哎，自动带了这个图像识别的一个功能了。哎，但是很多时候那些用那些那个自动软件自动识别，就是那个平台自动识别的那个细胞啊。哎呀，很多时候都是有点问题的啊。包括这个Z就时常发布那个远为平台。

哎，他也认为它那个识别识别方法呀，并不是很好。哎，推荐大家多多尝试。第二个呢，就是说。在前面分析的很多这个原位数据中啊。哎，大部分啊，都是这种低碳针的。哎，三五百这种的，甚至还有几个的这种是吧，那他们对于他们自己来讲，哎，做这个。原位的分析，哎，主要集中在什么地方呢？哎，主要集中在这个细胞逆齿，就是细胞的空间排布上，这是原位数据分析的一个重点。哎，当然了，随着现在探针数量越来越多，对吧。啊，有了NG内有了5000，像其他平台有6000，或者现在基本上都是上千的探针的这样一种分析方式。哎，那么从这个细胞的空间位置的一个分析中，慢慢要加上我们基因的一个分析内容。

哎，这就很重要了啊，很重要了。如果说我们在原有的细胞哎，空间排布的基础之上，再加上我们哎。基因的一个空间排布以及它的一个空间位置。等等等等，包括空间依赖基因等等，加上这些分析啊，其实已经是我们文章的一个创新点了。啊，所以说现在的分析啊，更多更，哎呀，更多集中于什么。多信息来源啊，信息越多越好。哎，我们简单回顾一下我们所讲过的一些平台啊，单细胞呢啊，虽然我们讲的不多吧，但是挑重点讲了讲，哎，去年讲了很多啊，关于单细胞的分析啊。第19课专门诶罗列了一下，流水账式的过了一遍，哎，大家可以看到其实单细胞分析啊，入门比较容易。哎，就是说我们简简单单的分析出一个结果来很容易。但是想分析的很好。哎，不太容易，不太容易啊，尤其是分析的像那种高分文章一样，和生物学意义相完全吻合的这种。

哎，可以说非常难，对人的要求非常高，当然了，我们简简单单的只是为了说是分析个结果出来，哎，跑个T升new map差异负几等等，哎呀，通过做个通讯，这都已经没有难度了。哎，难点是生物信息，前面那个生物二指。两个字。哎，就是它的生物学意义，该如何解读成了难题了。哎，这个时候既要求你有很强的这个生物学背景，又要求你有很强的代码能力，大家要记住，代码是为我们的思想服务的，哎，只有在你想到哎呀，我该怎么分析的时候，我试一试这个方法是不是对我的，哎，猜想有印证。这个时候才去拿这些什么信息工具才去分析啊a tag数据呢，这个哎简单的讲了一节课，AT数据呢，也是一样的啊，它是每个细胞开放区域的一种数据的一个格式啊，它的一些什么差异负极啊，主要是集中在诶开放区域的一些差异。

它和本身单细胞的一个，呃，区别呢，主要是体现在一个是什么转录组水平，AT呢，主要是基因组水平。啊，现在呢，要求越来越多了，现在有一种平台，专门是多组学平台嘛，专门测诶单细胞转录组加a a attack.哎，那么后来我们讲到了vim，其实我们很大的内容都在讲viism。哎，因为微这么虽然哎精度比较低，哎，但是通量高，哎引用范围比较广，呃，国内的平台呢，还目前来讲，国内的平台像华大呀，像这个拍卖克呀，虽然是高精度平台，但最终的分析结果呢，都是把那些诶高精度的点合并成一个大的点。哎，分析方法几乎和Z哎差不多了。嗯，然后呢，Z内姆它有很多很多的这种方法论，诶可以直接用到华纳或者百麦克的一个平台上，嗯，而且微姆它什么优势，呃，有一些分析上的优势，第一个就是。

呃，配套软件确实比较多，分析方法思路啊等等，哎都比较全面，第2个呢，就是它的数据特点，哎，本身确实时长做的非常的好。对吧，哎，有染色底片有这个数据和染色，呃，He图片的结合，现在分析方法呢，也依据每个点它有多少个细胞核。哎，解卷积的时候呢，都哎，尽量的解到这个单细胞级了。哎呀，说明他的分析方法一直在往前走。并且哎，很多人在推着他往前走，导致他的这个更新迭代啊。哎，越来越快，分析内容也越来越丰富。哎，等到后来我们就要讲这个IHD高精度平台。高精度平台啊，其实也非常的重要，不过现在呢，HD还没有一篇文章健康。

但是从分析内容和分析潜力上来讲是比较高的啊，哎，讲了一节课单细胞，讲了一节课这个HD的基础分析，哎，讲了一节课HD的个性化分析，就是要依据图像，依据图像的识别哎，来获取真正的单细胞及空间数据。嗯，那么到了最后呢，我们讲了这个Z，其实Z和这个这几种原位平台。都是差不多的，主要是什么？哎，精度很高，能够达到真正的单细胞肌，依据图像识别，识别真正的单个细胞的分布。但是呢，现在大多数文章它的通量是比较低的。也就三五百个G啊，甚至只有100以下个G，嗯，但是也有，现在也都慢慢发展出这种高碳针了，哎，几千也有了，等等等等，那么结合它这个高探针率和这个它的精度，哎，它的分析潜力当然哎也很大。只不过现在啊，无论是HD还是这个Z都很贵，哎，都非常贵，像VI也挺贵的，两三万也挺贵的。

诶，但是大家拿到这个数据之后，花了很多钱，拿到这个数据之后。哎，又要配套一个什么很会分析的人，哎，这个时候强强联合才能发一篇好的文章，光拿到数据没有人分析也是一个很大的问题啊。这个呢，就是简单的一个设计，哎，简单的一个分析思了，我个人认为是非常的完整的啊，非常的完整，包括单细胞模块，包括我们的空间模块，空间模块呢，包括基于图像的和基于这个测序的，基于图像呢就是Z对吧。基于这个测序呢。这于测序就是我们的微啊HD了，对吧，大家可以简简单单的把这个思呃思路啊给它给发散一下。哎，发送一下。每种主学啊，并不是割粒的存在，像单细胞和a attack克哎，可以联合，可以同时测，嗯，基于这个测序和基于图像的也可以一起用。

就像华大发表的那篇文章一样，哎，图像识别加上高通量测距，哎，也是可以用的，相互之间都有一个很强的一个印证啊，这篇文章我放在这儿了啊，大家可以用一下。大家可以试一下啊，文章很好啊，对于各个各各种各样的一个平台都有一个很好的一个分析，很好的一个借鉴，包括他分析了什么，分析了vim，分析了HD，分析了zium。哎，对他仅仅的哎，都有一个详细的一个参考。哎，这个就是我们空间平台的一些分析特点啊。大家看看，首先是我们的he图片，对吧？He图片非常重要啊，大家不要把它给什么。哎，把它给简简单单放在一块儿，当成底片用一用就可以了。嗯，图像识别等等，这都是非常重要的内容。哎，以前呢，通常用微，哎精度比较低对吧，后来呢，我们提高了通，提高了这个精度，但是通量又比较低，像RV scope, 哎只有几个G。

哎，随着我们通量越来越多，越来越多，直至发展到我们的什么Z啊，5000个探针。哎，对于它的分析精度呢，大家可以看到，对于一个组织块，你像这个微。嗯，就是规整的点对吧，规整的点啊，我们在看那个组织图像的时候啊，即使是HD。嗯，它的一个合并啊，也存在很大的问题，哎，比如说某些地方并没有细胞分布了，它也会合并成一个点。呃，像有些细胞有细胞分布啊，有个核，它应该是个完整的单位，哎，但是呢，我们去把它分到不同的sport里面了，哎，这些分析上都会很有问题。哎，所以，但是在V字母上，这个问题就更大了。呃，微任务上它合并的点更大，哎，他不管那些，哎，就是说它的出精度太低了。啊，很多不是细胞的成分啊，包住核的一个细胞的某一部分啊，都给它划到一个点内了。

哎，这个时候呢，就会有。哎，很强的误差。嗯，但是相对于这个其他的平台微总的运用啊，就是效果来讲还是比较好的啊。然后就是我们的原位了，一开始只有几个基因是吧，染个片看一看。后来呢，哎，基因的数量开始增加增加，哎，通过图像识别的方式是吧，拿到这个真正的单细胞基因，基因表达的一个特征。哎，随着精度和充充量的及持续的增加。哎，来到了我们真正的现在的想要讲到的这块，关于这个原位的这个高通量的这个技术。哎，大家可以简简单给大家看看这个发展历程啊。一开始诶进步很低对吧？S select呢是一种什么。哎，接近单细胞级，但是属于双细胞级的一个空间平台。哎呀，它的精，它这个直径是10μm，就是1到两个细胞的样子。

哎，他也的精度，它也是2位米，只不过它呃分析的时候啊。简单粗暴的把它合并成10μm的一个进度了，就和现在的HD一样，也是2μm的进度，但是把它合并成8μm或者16μm的一个进度。对吧，然后呢，有了华大的，华大的它这个精度是220nm。220nm，哎，精度就更高了，只不过这种分析精度啊，显然也是不能分析的，也是把它合并成一个大的sport。就像这个一样，合并成这么大，诶，里面包含了很多它这个亚细胞的点。还有这种scoop原位的等等等等测序，然后呢，结合组织图像。哎，我们的组织真实的分布大概就是这个样子，是不规整的啊，是不规整的，而我们的高通量平台呢，通常又是又测的又是规整的点，哎，这就会形成一种冲突，对吧。形成一种冲突，嗯，那么在分析的时候，哎，都要合并成这种多细胞级。

哎，才能完成我们想要的分析。所谓的单细胞级，就是高通量的单细胞级的平台，其实都是达不到的啊，无论华大HD还是什么都是达不到的，像华大HD这种高精度平台，借助图像识别。哎，可以拿到很接近单细胞级的空间数据，哎，但离真实的还很远啊，因为它那个规整的点呢，哎，或多或少都会丢失一些信息。哎，导致了我们尽可能拿到哎100~0~100分的话，那可以是85~90分，哎，还是会丢失一点点。哎，这个就是，哎上面这个呢，就是这个。高通量的原位平台的一个简单的分析思路。首先我们第一步拿到的是空间基因表达的一个信息，对吧，这是机器带出来的，哎，检测到的，第二步我们要进行哎细胞识别，把这些基因呢。哎，总哎，汇总到哎各自的细胞当中，关于细胞识别啊，哎，这是一门很大的学问啊，很大的学问，现在的技术都不能称之为非常完美。

诶，将来如果大家有机会从事这样一个图像识别的一个方向。哎，可以把这个研究研究，而且这个方向现在很火啊，很火，尤其在国外非常的重要，薪资都非常高啊，我认识一个人专门就做这个的影像助学的。哎，他对于这个影像，他对这个图片识别的要求啊，啊要求非常高啊，当然了，随之而来的一个特点就是什么。他的那个图片非常的大。哎，一般都好几个G是吧，只有这种高精度图片才能实现这种哎，完美的细胞分割。哎，接下来就是细胞识别了，哎，识别到的那个细胞，哎，它到底是什么细胞类型，依据我们的mark克进行定义，哎，通常来讲我们的探针啊，都把那马克设计进来了。即使是几百个基因也是设，把那些马克都设计进来了。

大家要注意啊，空间平台有两种，一种是基于蛋白的，一种是基于什么转录组的，基于蛋白的平台，像codeex，像这个。哎，就类似于上面提到的这个。扣X斯啊，或者说meurph，呃，Me meph菲啊等等，它是基于蛋白的，用蛋白这种抗原抗体的结合来标记细胞。哎，通常的这样分析结果就是这样一个结果。哎，告诉你他的抗原，告诉你他的这个基因蛋白基因是什么。哎，然后它结合在什么区域，然后看它的一个哎进行表达，呃，看他这个细胞表达的一个状态。而我们现在更多的是运用的什么？转入组的一个空间平台。哎，通过这种原外杂交的方式，哎，转录组的空间平台呢，它就会拿到这个。诶，每一个细胞，它在空间上的分布，以及它表达的一些基因特征。如果我们是低通量的，哎，可能每个细胞检测了几十个基因，或者一两百基因，如果是高通量的话，哎，检测的基因就会上千啊，比如说Z内5000。

他的基因平均数就会一两千的一个样子。这个时候对于我们分析这个空间数据啊。非常有效啊，非常有效。嗯，然后呢，再强调一点，就是基于转入组和基于蛋白组的空间平台啊，它对于细胞的定义选用的marker是不一样的啊，蛋白呢有它自己的一套marker，因为大家都知道转录组水平和蛋白水平其实并不能画等号。哎，所以说如果用蛋白来标记空间细胞，或者用转录组来进行原位测序的话，哎，所用的marker是不一样的啊。然后呢，就是空间数据的一个整合。整合的话，像前面提到的什么。V字母啊，很容易整合，那HD呢。HD整合方法现在已经知道了，就是harmony。但是呢，通量太高了，目前没有计算机能够hold住这种。整合的哎，算力。嗯，但是从这个算法原理上来看，如果将来公司买了GPU，算力有了极大的提升的话。

哎，也是这种整合方式，只不过HD啊，强调一句。我们在分析HD的时候，每一个点的基因数不能太少啊，不能太少，像哎，大家看那个之前展示的那些HD的数据示例。8μm的时候大概是三四百的基因，哎，16μm的时候基因就上千了。对吧。16μm的时候，基因就上千了，这个时候哎，上千就是16μm的精度是完全满足我们后续分析的要求的。但是8μm的话，有一基因三四百，它并不能代表一个完整的细胞的一个什么。哎，基因特征，所以在分析的时候就要小心一点了。哎，像那种整合的话，用这种三四百进行整合，可能就会存在很大的误差啊，还有就是HD它那个8μm16μm它的，哎同样的都是解卷机的方式，像8μm用马可定义几乎也是不现实的。

对吧，几乎也是不现实的，哎，16μm会更好一点，基因数丰富一点。当然了，如果我们将来。哎，如果大家用这种图像识别的方式，在HD上识别了单细胞级的空间数据。哎，那就是什么。哎，和单细胞的处理方式一样了，诶哈姆尼整合就可以了。哎，所以说呢，HD分析啊，大家如果将来做HD分析，如果有公司。能够依据图像识别拿到单细胞及空间数据，哎，尽量用这种方式来做后面的整合啦，差异啦，诶结果更好，结果会更好一点，并且对细胞类型的识别啊，更加有效。那么像Z的一个空间整合呢？哎，Z里的空间整合呢。Lib的空间整合呀，现在由于哎很贵。但是一个片子又很大，所以大家在一个片子上放好几个样本，对吧，那这种样本测出数据下来，把它合并在一起，我们把它的样本分好，其实也是一种整合。

啊，通过这种整合的方式，哎，降温距离差异负近识别，哎，这就其实就是整合了，如果说是不同的片子，哎，由于由于它的探针比较少的话，比如说只有几百个基因的探针，那就是这种水平。整合的方式。哎，也差不多一样的，也是末住，哎末住之后呢，只不过原位平台不去批次啊，原味它不是不去批次的啊，直接就下个分析了，明白吧，19MARK克进行精确识别了。啊，原来平安为什么不去批次呢？哎，大家知道这个原因吗？低原位，呃，低精度的原位平台是什么？低精度的原位平台，哎，基因过少。哎，它体现的就是真正的生物学差异了，第二个如果是高通量的话，它和那个基于测序和基于探针的这种方法还是不太一样的。

探针结合上去就是真的有，结合不上去就是没有，它和测序不一样，测序具有什么偏好性等等一些原因。哎，明白吗？当然了，将来的呃，关于原位的分析方法还在发展，还在发展，看看之后会有怎样一些新的认知啊，新的认知。像低军动脉不需要去直接合并分析就可以了，最后呢，如果是高音量的平台，哎，我们就需要什么分析它这个细胞互作分析这个细胞逆齿，哎，分子地齿等等一些内容，包括下面提到的什么。哎，第一个细胞哎，识别方法比较等等等等方法比较，这个大家不用考虑啊，一般都是选择一个平台往下分析就可以了。马上就是空间网络，哎，也可以称之为空间空间位，空间空间位一般在初精度平台上叫这么叫，哎呀，这高精度平台都是相互离呃淋浴负极。

Enrichment啊，然后是细胞分割。区域识别，哎，区域识别通常要用到什么bankcy，哎，既考虑自己又要考虑微环境，哎还有空间高变基因，最后呢是啥基因inutation，哎，这个是数据差补。呃，这种平这种分析方法呢，在呃原位上啊。哎，有一些应用就是说原位平台因为基因过少，哎，我用单细胞的方式把他的基因给它补全。看看每个细胞它补全的，呃，把每个细胞的基因给它补全之后，来分析它基因的差异，以及空间上的一个分布变化，只不过这种信信息补全啊。对这个人的要求比较高。一方面不能同质化不全。前面提到过，我们的原位平台在分析，哎分亚群的时候，是要依据微环境对吧，环境不同，哎，给它分开成不同的亚群，那么在对它的基因进行插补的时候，填补的时候这种具有不同微环境下的细胞呢？哎，你不能用相同的细胞来进行同样的插补，那这样的话就把它差异给抹掉。

所以说这个方法用起来要慎重啊，用起来要慎重，哎，不过目前来讲，文章用这个方法的非常少啊，非常少。哎，这个呢，就是我们真实的细胞分布状态了，大家可以看看。HD的优势，哎，已经强调过好几次了。一个是能识别真正的细胞分布状态，对吧，它在哪包括细胞的哎不规则形状，另一个呢，就是能识别这些非细胞区域，就是细胞间质。这个是V以及HD无法做到的。HD呢也HD虽然依据图像识别能够，哎，尽可能避免细胞监制对诶后续的影响，但是对于这种不规则的细胞啊。哎，它的识别能力也是有点呃，限度也是比较低的啊。哎，不过目前来讲，从HD上线到今天。

哎，还没有拿到一个项目，是依据图像来识别HD的。哎，目前还没有拿到一个啊，说明这个方法还在发展，实城官方推出的那个是识别细胞核。啊，当然这不是我们的目标，识别细胞核的话。他拿到的信息，哎哎，损失的就更大了，我们要吸到，哎，我们要拿到每个细胞，细胞质的，细胞质的一个边界的一个所有基因表达，这才是我们想要的啊。哎，这是两种平台的对比，大家可以看看，对于我们的微子M平台，大家可以看一看。不能体现细胞的密度状态啊，只能体现细胞的分布状态。对于我们的原位呢，是既可以体现细胞的分布状态，也可以体现细胞的密度状态。哎，像这个地方，哎，细胞很致命。对吧。但是为什么就体现不出来？

只能知道它含量高，含量低，你像这些地方，哎，细胞密度比较稀疏。嗯，微什姆也看不出来，或者说也分析不出来，只能告诉你这个地方这个细胞多一点，这个细胞少一点等等等等啊，这就是我们为什么要做原位啊，做原位的原因就是为了真正的体现出。哎，体现出它细胞的真实的分布状态。哎，大家可以直观的看两种数据的一个比较。明显能感觉到其中的一个，哎，明显的变化啊，包括这种细胞边际的识别，对于这个V字母来讲，细胞边际的识别。主要是依据什么，依据这个he图片，哎，依据病例去加详细的一个划分，而对于我们这个高精度平台的话，很多时候细胞分布状态就会呈现出明显的趋向性。哎，帮助我们来识别空间域。大家可以看看这，大家可以直观的看这种变化啊。嗯，最后呢，给大家哎，看一看这种现在的发文趋势啊，发文趋势。

随着这个多主学的一个不断的推进啊，大家也都慢慢感觉到了。单一主学已经很难，就是说有大的一个发现了。哎，那个时候呢，所以现在这个时候啊。文章都朝着读主学的方向在发展了。不知道大家哎，接触到的课题组和这个老师对大家的期望有多高？通常来讲，只要做了空间抓的住。无论是VMHD，还是Z，还是其他的空间做漏组，对咱的要求至少都是十几分的文章。啊，不会说让你拿个空间数据发个几分5分的，呃，1绝对不会啊，那么这个时候呢。哎，我们拿到空间数据，单纯的空间数据现在想要，哎，就是发很高也比较困难。哎，现在都是炒着什么。都主学的方向发展了。这也是为什么现在高精度平台，因为它的通量低，所以要结合其他数学的一个原因。

你像这篇文章。哎，发到了can sell, 它所运用的数据大家看一看。哎，外显子数据，单细胞数据。啊，也是外形者数据，哎，空间数据哎，蛋白数据。哎，Bona数据大家可以看一下他用了多少主学。外显子，只要大家做肿瘤，这个是必会的。必会的，单细胞现在也是一种技术手段了，大家也要会啊。嗯，L cm wes这个呢，是一种，哎甲基化的那种，哎呃，另外一种wes哎，大家了解了解WS是必须会的啊，空间转录组哎，现在大家也需要纳入日程了啊，也需要很会分析。空间蛋白组，空间蛋白组因为它通量低。哎，主要集中在细胞的空间分布的一个分析上，哎，所以说大家会了special RNA, 哎，对蛋白组来讲都哎不是很难。

Book的话，这就更别提了。啊，现在bona都成了，都形成产业链了。是吧，水文章，水文章这个主要的一个方向啊。然后呢，分析的内容大家可以看一下，哎，不变频谱。细胞的分布，这个是什么？哎，进化的动态对吧，最后是什么空间模式。最后是呢，分子亚群以及生存曲线等等等等啊，这些分析内容大家将来慢慢的都会接触到啊。啊，最后呢，就是体内体外各种各样的实验验证了啊。药物抑制性，哎，致病性等等等等，这些后续的一个实验验证都是一个非常重要的过程。其实大家应该慢慢都明白了，我们做研究为了什么。哎，我们做研究第一步是要认识问题，对吧？认识问题干嘛就要解决问题了，我们现在都处在认识问题的一个阶段。

解决问题需要干嘛？哎，比如说我们认识问题，认识到了疾病组发生了怎样的变化，发生了怎样的突变，发生了怎样的一个空间排布的变化，等等等等，这些变化我们都认识完之后。我们就要针对这些变化干嘛。做一些体外的试验，或者说对一些用药，看看它能不能恢复到健康的状态。哎，应用层面就就更加的。更加的复杂了，这个涉及到什么？涉及到哎，结构生物学，药物设计，分子对接，冷冻电镜等等这些各个方向的一个内容，内容包括我们的什么。包括前面提到的这个。哎，这个影像数学。哎，这东西都是非常非常这个重要的方向啊，大家可以简单单单的把它一个。划分开。哎，像我们现在所处的这个阶段，包括我所处的这个阶段。大家都在干嘛？研究单细胞，研究空间转录组，呃，运用各种各样的手段来分析不同组之间的差异，这种差异呢，包括空间排布的差异，生态位的差异等等等等这些差异。

我们现在都处在认识问题的这个阶段，我光认识这个问题啊，大家就能发很高的文章了。啊，如果想解决这种问题，哎，右面这张一个最后这一步解决这个问题。哎，需要就是另一个方向的人，哎，很会这个药物设计的人来帮我们解决了啊，所以它是由上游到下游慢慢过渡的一个状态。我们现在都处于上游啊。这个呢，就是原位平台，哎，一些常见的一个分析了，像原来之前啊，原来之前对这个原位平台。哎，探针比较少的时候，哎就是看细胞分布，比如说这是肿瘤区，哎涉及一些什么。设计一些常见的一个蛋白探针，或者转录探针等等，看它的呃，整个的一个细胞的一个变化。包括肿瘤区域，正常区域，它怎样的一种变化啊，或者说治疗前后它细胞的一个排布变化。

等等等等啊，主要是来看细胞的一个快速变化的。就像这个一样。EMT高的，Emit low的，哎，为什么这两种会有这种高和low，它在空间上细胞排布有什么变化？哎，哪个多了，哪个少了还是什么的。哎，这是一开始原委所关注的一个重点。哎，包括细胞分割啦，细胞识别啦等等等等，这是一开始原位所关注的一个重点。主要是为了识别不同群中，哎，不同的位置或者region中。它的一个细胞分布的一个特点、变化，以及细胞排布，包括细胞逆齿等等一些内容。哎，大家可以简单看一下，你像这个。高度有这个APOE的话，哎，它的肿瘤区非常大是吧。非常大。而这种呃，AP低度的APOE呢。哎，肿瘤区域非常的小。

哎，这个就是原文平台告诉大家，哎，区域变小了，细胞呢，哎细胞的什么。细胞的这个，诶，细胞排布发生了变化。哎，有些细胞呢，对这个肿瘤起了反应。等等等等，包括细胞的聚集程度、密集度。呃，包括这些，你像前这个。APOE高的这个地方，诶区域上面呢，有一些绿色和粉色集中的细胞，对吧，但是在a po UE低的细胞，哎，很少分布，这个区域变少了。哎，等等等等，这些形态学的变化是这个前面分析的一个重点，对于原位来讲是第一步分析，哎，这是分析的重点啊，大家拿到自己的原位数据平台之后，大家如果把各个区域呃相互比较看的话，也会发现这些非常有意思的变化。这就是原位平台第一步的分析啊，每个平台每个这个文章的时候，如果测了原位第一步都是，哎，做这个看到细胞分布的一个变化，变化特点等等。

你像这种的，哎，这种的就是高精度的这种。哎，扣什么蛋白平台。蛋白平台的话也是一样的啊，它也是一种高精度的，它在识别的时候呢，识别的精度会更高一点，但是它这个通量会更低。啊，他只能，哎，一般都是个位数或者十几位数的这样一个。蛋白的一个识别的方式。哎，告诉你细胞的空间分布状态以及它的变化，而且这个抗体啊，需要大家干嘛自己定制。哎，这对于客户的要求就非常高了啊，不过他分析的特点，呃，分析出来的一个效果呢，确实是比较好啊，包括各种各样的细胞类型排布，各种各样的区域结构，哎扣都是可以看到的。只不过这些marker啊，设计起来可是非常麻烦啊，这是蛋白mark。哎，找的时候可是非常的麻烦。哎，这个地方用了22个mark。加和染和这个染色啊。这是。

哎，像这种呢。哎，两种平台对比。这个是细胞分割，哎，这个是类似于KX这种平台，诶蛋白平台的一个分布状态。等等等等啊，主要是要这个细胞分割的细胞注释的一个层面。哎呀，大家可以看看整体的一个变化，哎，感受感受一下，然后呢，从中寻找我们该分析的一个思路啊。这个就是我们呃远位平台了，当然也是低精度的，低精度平台第一步刚才提到了主要是各个区域的什么。啊，细胞排布变化。我们选择了不同的区域，对吧，细胞排布，哎，是更密集了还是更散在了，细胞含量是变多了变少了等等等等细胞数量都能输出来，有的是吧，你像这些地方不同的地方，哎呀，它这个粉色的，哎，粉红色的细胞。聚集的，哎，发生了变化。呃，其他细胞类型各种各样都会发生这种空间排布上的一个变化。

这个呢，就是大家要分析的一个重点了啊，这是第一步的重点，明白吧，不能把它笼统的放在一起，一个片子整个都放过来，拿来分析，那个时候很多差异都被掩盖掉了，是看不出来的啊。哎，大家看一下这篇文章发到了啊。哎，这个就是局部的变化，看到没。核心部位如何选择，其实是大家考验大家的一个很重要的学问啊。尤其是损伤，尤其是这个肿瘤等等，该选哪个区域放大，看他的一个表现，哎，对大家要求是比较高的啊。哎呀，细胞排布的变化。包括这个，诶阶段3和阶段4同一部位细胞排布，你看看这些变化的特点。哎，能感受到这种变化吧。诶，不同阶段细胞排布，你看打散了，或者说更集中了。

等等等等，这种细胞排布的变化啊，可是非常重要的啊，大家如果做原位的时候，第一步非常重要啊。第二步呢，就是分析网络了。哎，这种网络呢，大家，呃，在第13课的时候，哎，做过这个网络的一个绘制，其中呢，这种绘制。哎，直接在空间点上进行一个网络的绘制，这个每个点啊，其实是一个核的位置，空间核的位置画出来这种网络图呢，主要是体现相同细胞类型或者不同细胞类型的一个连接状态。是更致密了还是更散在了这样一个分布？哎，直观的看呢，就是右边，呃，左边的第二个第二列图。哎，细胞分布的一个，哎，连接的紧密程度是否发生了一个明显的变化。左边呢，就是一个什么，呃，纯纯的网络图，每个点是一个细胞核。啊，有的时候呢，我们会用这种图来展示，展示出细胞类型，它的一个相互空间关系的一个临近状态，哎，形成这样一种网络图，每个状态它的网络图都会发生变化。

比如说这个。哎，这种像这个MCDT细胞和DC细胞，他们在这个阶段。哎，相互临近靠近是吧，但是到了下一个阶段干嘛。DCTMCD啊，多了一个啊，有一个细胞来到了他们的微环境中。哎，造成了他的一个什么。哎。Later就是后期的一个变化。哎，这也是对空间环境，就是从细胞层面来分析它的一个特点。啊，就是说细胞逆齿原本是几种细胞类型堆在一起，但是随着疾病的发生啊，或者发育的进展啊，来多来了一个细胞，或者少来了一个细胞等等等等，这种空间的变化呢，正是我们细胞动态的一个变化，以及或者说对疾病的一个反应。哎，这种图就非常好了啊。

好了，这就是我们，哎，关于空间历史的一个特点，不过这里面啊。讲到的更多是什么细胞的一个层面的分布。哎，为什么只讲到细胞的层面分布呢，大家都知道，哎，现在高通量的这个原位平台啊，它分子层面这个分析啊，是比较少的。几乎没有文章可以借鉴。啊，几乎没有啊，因为这种高通像5000啊或者6000的这种。啊，一方面确实贵啊，第二个呢。哎，他们出来没多久，没有文章可以供我们借鉴，这个时候就要我们什么用自己的思维来做了。这个时候如果你做了高精度的一个平台，哎，很多思要借鉴于以前那些空间平台了，比如说我们这是分子，呃，细粒子，哎，分子粒子可不可以做？哎，相同的细胞类型，在不同的微环境中啊，它的基因上调下调的一个关系。

哎，等等，这些分析呢，其实都是大家分析的一个创新点。明白吧？哎，不要把自己的思路很局限了，因为文章它是强调细胞分布状态，因为它低通量对吧，只有几百个基因。哎，我现在有上千个基因，或者几千个基因了，这个时候呢，就可以把基因的分析纳入到我们的个性化分析中。哎，对我们的分析，哎，增强我们分析的一个丰富度。哎，多一些创新点，哎，那自然发的就越来越高了啊。对于这个文字，嗯，实生实成的一个平台啊。现在是大现在。哎，现在大家不知道啊，可能大家没不知道大家有没有身处这个潮流当中。哎，你像我身处这个潮流当中。哎，明显能感觉到这种，哎，趋势的一个变化。

嗯，师生自己收录文章啊，其实收录的都是有一些遗漏的，不过是不过可以整体的看出来它的一个特点，单细胞多少。6000是吧，细胞免疫1100。啊，A tag300多单细胞，A tag加这个原位的，嗯100多，这是五百一千七八，哎反+8000多篇吧，他自己收录了8000多篇，大家在分析单细胞的时候，如果只分析单细胞转录组这个行业这个方向啊是最。最卷的啊，因为好分析的都分析的差不多了，免疫呢，免疫相对好一点，但是免疫对人的要求又非常高。像国内的大牛是吧，张泽民他就分析免疫的，那么对免疫知识的一个研究啊，就非常的深了。对吧，还有什么。嗯，A tag加呃，基因表达。

哎，这个族群呢，其实也是非常的。哎，非常非常的这个好的方向，不过啊这个呃，经过各大实验公司的验证啊，多组学的这个实验流程好像是有点问题，导致实验失败率是比较高的。而单细胞attack呢？如果只做a attack, 它的分析内容其实是非常有限的，现在多更现在多多少少是要结合到单细胞加attack。诶，大家可以看到光师生收录的单细胞类文章，哎呀，8000多8000左右。空间呢？如们算这个原位的啊，如果我们只算这个空间表达FIP的。还不到100，如果加上那个。如果加上这个冰冻切片呢？哎，500多，这是600啊，但是其中很多都是方法论的文章。方法论的文章对吧，然后呢，方法论的文章我我基本上统计，我基本上都占了快一半。

啊，什么各种各样的，什么节卷机方法，空间高变机器方法等等这种方法论，把这些文章都排掉的话，哎，实验类文章大概300多。而且都是口粉。基本上都是高分啊，原位发了多少呢？原位大家看一下，统计发了31篇，虽然说是统计发了31篇，但是高通量的目前一篇都没有。哎。大部分都是三五百斤这种低通量的，去年的时候，哎，去年的时候我在上海参加了一个，哎，师生自己举办的一个。发布会。哎，他们就推荐大家用这个，哎发布的就是这种原味平台。哎，当时大家很多上海客户已经开始用了，不过那个时候还没有推出5000探针，大家用的都是低通量呢。哎。然后呢，基本上这种呃，发的也都非常高啊。哎，这篇文章是发到sale的，哎，这篇文章的可可见限性非常高啊。

而且很有一个特点啊，如果大家对这些文章有一些研究的话，会发现一个很有意思的特点，新技术的产生啊，往往老外先用啊，老外先发一些高分的文章，哎，国内看到了说哎呀这个平台好，哎赶紧先用，一用就跟在比我后面了，那那这样的话其实是属于就什么紧跟着潮流，但是呢，发的文章的等等级啊，就会稍微低一点了啊。哎，这是原味。好了，我们休息5分钟吧，休息5分钟，我们来看一看原位的一些数据特点，以及它的一个简单的代码逻辑，啊，休息5分钟。

通路LR空定位空间网络，Hotport空间轨迹、一行网络以及ni在Z上能跑吗？高通量可以啊，低通量。一通量得看你的探针设计有没有设计进来，像通路和LR固定位这种基因，必须它设计进来才可以，你像5000的探针是绝对够的，但是三五百的那种可能一般都没有。共享网络，细胞网络不就是这个吗？这就是针对原位的啊，Hotport hot sport, 它是针对基因或者细胞级的。啊，所以说基因如果通量太低的话，也是有点，哎，不太能够空间轨迹的话，这个是绝对可以的啊，空间轨迹只和细胞空间位置有关。哎，和其他的无关啊。疫情网络，疫情网络主要是做什么负极以及领域打分的这种这种呢也是可以的，尤其是做细胞领域打分，这种就是一个细胞类型周围富含的其他细胞类型的一个状态，比如说肿瘤细胞富含周围富含了什么巨噬细胞。

哎，说明这个肿瘤细胞侵袭性可能比较强，哎，这个是可以做的啊，凡是和细胞位置相关的一些收个性化分析啊，各个平台都可以做，无无所谓Z某HD还是V。像逆de和逆LR这种和基因相关的，诶，这个就受到大家通量的限制了啊，通量如果太低的话，做起来可能就找不到什么差异了。明白吧，大家一定要理解这个。哎，售后分析的一个特点，是针对细胞位置的，还是针对基因的，还是针对。哎，微环境的等等等等，针对不同的方向啊。它的分析点会不一样啊。啊，有的代码我需要，我看需要读入图片信息，或者直接按照V任的读取方式，但是Z或者其他原文平台可能无法读取图片，这样的话需要把那需要呃把那些读录的数据用什么代替呢？这也是目前Z内me分析的一个痛点啊，大家看这个Z内图片往往都是没有底片的。

对吧，这也是Z现在分析的一个痛点。哎，包括这个实成的一个。哎，师生那个分析也是一样的。啊，虽然他提供了一个什么。哎，比如说我们先看一下最新高片，最新的一个高分文章。啊，就中间CL吧，啊4月暂刚发的，大家可以看看它的一个分析特点是什么。哎，我们等一下啊，我们顺便来看看他的技术特点。

哎，我们稍等一下啊，虽然他时常提供了这样一个，哎，网页版的一个结果，哎，基于可视化的，但是大家在发文章的时候，上传的图片都是PDF或者PNG的，对吧？哎，不是不是这些动图。这个时候呢，就会存在一定的。哎，和这种报告模式啊，有点不一样的差异了，你像这个文章它也是一样的。哎，这是原位平台。只有空间位置和细胞分布状态，并没有底片，有底片的地方呢？哎，没有数据。啊，有数据的地方没有底片，这是呃，就是说这像像这种的有这个FDA底片的，哎，有数据的，但是这种展示方式已经背离了我们当时的一个初衷了，像这种。

哎，更多的是这种的。哎，这还是发到cell的，说明它本身上技术存在这样一个小的问题。还有一些其他的，我们看看最新的。哎，虽然他自己提供了一个这个。啊，当然这也没有底盘，必须把这个底面放上去。只不过大家这个时候啊，把底片放上去干嘛？哎，它的数据和结合起来就非常的密集了。哎，不太容易展示好的效果。哎，我们稍等一下把它加载上，你看这是这个底片对吧。哎，底片有了。啊，这是数据对吧，一旦我们想集中到某个区域的时候，其实底片存不存在已经影响不大了，只有在大范围内看这个才有效。哎，你像这种区域大范围的是开学笑，但是我们集中到单个细胞的时候。哎，这个底片存不存在，其实影响已经不大了。比如说我们基于细胞的一个层面。

现在有点慢啊。哎，我们看一下最新的这篇文章，也存在这个问题。哎，没有吗？连图都没有。啊，像这种的，这种的更像是啊这种是那个的。呃，因为大家都知道原文这个图像太大了，两三G是吧，拿这个图像分析那真是。对服务器要求太高了。哎呀，这个文章还没有，为什么放到这个类里来了。

你看这种的，我们把转录都去掉，大家可以看到把这个放大的时候啊，这个底片其实更多的是不起作用。哎，无法看清到底是什么区域，只有在大片段的时候才能看清它这个曲轴。时成缺失原片的问题，我找到了时成方法，读取原数据，重构图像的方法，但似乎也不太简单。这个是什么，看一眼啊。这是哪个地方的哦，师生自己发布的。What? 这个不是原片啊，这是对图像进行缩放啊。对图像进行缩放啊，就是说我们呃几个G的数据是没法分析的，它把它缩放成低精度了，就和V字母一样啊。哎，我们来看看这个。

嗯，也是一样的，分析的时候呢，你看都没有底片这种啊，底片可能哎，当我们把这个图像细胞放到到这个程度的时候，哎，底片存在已经，哎没有多大的意义了。哎呀，就是这个啊。当然了，将来或许会有更好的解决方案吧。啊，你像这种的，你看我们如果看这个形态学。比如说画这个区域吧。啊，用这种方形的话。来画这个区域吧，对吧，画了这个区域之后。呃，4900个细胞啊，这个时候你看这个看这个什么。看这个底片啊，就看不出什么来了。哎，把它放大的时候，拿到这个细胞级的时候，哎，底片其实已经不太起作用，只有在大范围内，比如说像这个。哎，刚才那个文章的像这种的。哎，这种的，哎，一开始先画个区域出来放大它看到这种效果，哎，这是比较好的，这是比较合理的一种方式啊。

哎，个性化分析大家要分好啊，针对基因的，针对细胞位置的，针对基因位置的，针对历史的，针对什么各种分子历史，细胞逆史，针对空间轨迹的等等等等各个方向的分析啊，都有其特点啊，每个分析方每个个性化分析方向都有什么。哎，都是其针对点，你像针对空间位置的细胞类型分布的，这个哪一种平台都可以分析啊，你像针对基因的，那像那就得高通量了。对吧，你像针对微环境的，那当然远位平台和HD平台，它的分析效果会更好，出精度平台，因为它这种呃精度比较粗，导致他分析这个淋浴的时候效果会差一点啊，这都是一些。哎，这都是一些常见的一个分析特点啊。请问咱这种需要读取图像的数据怎么读入ZM数据呢？M数据不是有自己读读法吗？

啊，这个是V字母的读法，知道吧，这是V字母的读法。Z内读法，你直接读它就行了，不需要，呃，不需要额外读取啊。哎，像这种呢，就是Z内生成的一个。直接读就行了，不需要读额外的再多此一举啊。你像这种的分析方法，这个是今天推荐给大家的一个。而且也读不了，那图片都太大了，你没法读啊。你像这种读法。哎，人家一般都是直接读啊，包括这种，哎，先前期设置好参数干嘛。哎，直接就读了这个file就是Z的一个输出的一个，呃，我们默认生成的一个路径。直接读哎就可以了，只不过这个读的过程会非常的漫长啊，每一个Z或者HD的一个。

哎，它那个sport或者叫细胞啊，非常的啊多几十万都是读起来非常的慢慢啊，等我们真正分析完之后啊，这个必须投到后台啊，大家可以看到Python版本的存储对象都有3.3个G。哎，可想而知，它的细胞量是多大呀。对吧，我们来看一下它的一个内容。哎，这是一个低精度平台啊，目前高精度平台还没有很好的数据给大家演示啊，估计得到明年啊，如果明年还上课的话，估计就要用这种人内高精度平台的了啊。呃，高高通量平台的了啊，你看66万个细胞。哎，他，哎。这个探针数量只有266。哎，都是低碳测三五百这种探测啊，我们来看看他的一个基础的一个分析内容，像OBS大家可以看到。哎，细胞的I did的时候，这个时候开始采用像素化的一个命名方式了。

哎，转入抗图，大家可以看看减测的数量多少，一个点有几十个基因，100个基因这样的一个水平状态。对吧。这是count，哎，基因种类的话就更少了，只有200多对吧。包括什么？哎，总共的抗的细胞区域，我们看一下细胞区域是什么。哎，细胞区域，哎，这是细胞区域对吧，细胞区域101这个面积是吧，然后我看我们的核区域。哎，大家看看核区域多大，哎，细胞区域101，哎，核区域只有8点多，也就是说真正的在空间，呃，图像识别的过程中啊，仅仅识别核必须要进行和扩展，扩展它的细胞质的一个边界，才可以用于下游分析啊，这也是图像识别的一个基本功。啊，识别的起来非常有非常，哎麻烦啊，这个如果大家将来从事这个图像识别的时候啊，对这个像素的一个就是图片都是一个三维数据嘛，哎，对他的一个处理分析也是非常的。

需要很深的一个功力啊。这是细胞区域，哎和区域。Sample ID batch啊，Batch就是它的一个这里面，哎，每个batch呢，就是不同的疾病阶段。哎，类型我们来看一下。UIP类型。哎，类型呢，就是2种进入药物CTRL和MS啊。然后是哎雷就是聚类了，聚类聚类聚类聚类。哎，为什么要聚这么多类，大家知道吗？啊，我待会儿PPT会发给大家，大家自己看啊。为什么要举这么多类呢？大家都知道Z平台也是要聚类的，聚类后再分析的，那么再分析的时候呢？

哎，因为它的通量比较低。通量非常低，所以要多尝试几种剧烈方式，看看哪种更加合理啊，尤其是要结合图像识别这个细胞类型在这种分布状态是不是真的。哎，这种更合理。一点啊。然后呢，还有一些什么，哎。转换性别年龄。啊，等等等等这些数据分析吧，对吧。哎，这是他基础的一个分析啊。分析到这个程度呢，基本上聚类和细胞类型识别就可以拿到。看看有没有细胞类型，它的一个注释信息啊。这个。哦，不是，这还是疾病的划分啊，要么的划分，Leader leader leader project flip, 嗯。Luster.HY.

Re.Library ID.这个是这个。哎，划分好的区域的一个大小library ID呢。ID是样本。细胞类型应该是这个吧。看一下啊。哎呀，它存储的数据都非常庞大啊哦，这是细胞类型啊。应该是细胞类型，或者说其他的一个分布分类状态啊，在原位的划分中啊，划分的方式有很多种，哎，划分出来会非常的麻烦啊。还有就是对基因，哎，就是刚才我对200个基因的这样一个分析啊，这个分析的很少啊，因为它基因数量比较多，什么差异负极啊，这都做不了啊，更多的是集中在细胞的空间分布的分析比较多，你看OBS分析了这么多。

啊，我没有。啊，UN呢是什么。也是基于空间细胞分布的一些分析，像OBS就是这个降维后的矩阵，包括PCA、空间矩阵、u map矩阵等等等等。哎，就是我们基础的一个，嗯，啊，原始矩阵啊。这是它的一个分析特点。哎，等到我们等到大家如果对原位数据研究的更加深入一点啊，哎，慢慢的分析的，哎，对他认识啊，以及分析的深程度啊，都会有不一样。第一个分析呢，这哎，我觉得这篇教程啊比较好，但是但是大家要注意啊，教程只是教程啊。就是做基础分析居多一点，个性化分析还是要大家很好的设计的，你看这种读取了数据之后，它我又用了一个方法重新进行了和分割。就是威尔这个方法，这个方法也是一个非常有名的方法啊。没事啊。哎，基于呈现的空间会实现室有的啊，细胞分割它是一个非常也是一个很很好的方法，也发发到了N这个NB。

哎呀，他的和分割方法也是非常好的，上节课讲到了什么starist sell posts I CS, 哎，这个贝，Yer, 呃，Baer, 哎，是这么点吧。哎，也是一个非常好的一个分析方啊，分割方法啊，只不过每一个分析方法都都有一个前提是什么。哎呀，有那个什么好几季的那种高精度平台啊，高精度图片啊，这个图片必须拍下来，要不然做不了啊。哎，所以说杨玉平呢，哎，反正对于这个计算机算力，而且对人的要求啊，都非常的高啊。然后被实现了盒子再分割，再分割之后呢，才会哎，导入数据中，重新对虚报数据进行一个划分，划分完之后啊，就开始下颌的分析了，下游分析就和大家一样了啊。就和大家都一样了，哎，降维聚类过滤啊等等一些内容，哎。等等等等，哎，差异。

哎，做的很少啊，你看差异就几个G。所以差，差异是几乎是做不到的。哎，需要高精度平台，然后多种聚类的结果的一个比较。大家可以看看啊。哎，聚类之后呢，其实很多时候剧烈结果呢，对我们的区域划分已经很有帮助了，你像这种明显的聚集的区域，它明显是个单独的一个聚集单位，但是大家也可以看到不同的距离精度，哎呀，确实对我们图像的影识别的影响非常大，你像这种的。哎，这种还好点，你像这种完全就看不出来这是一个区域了。那这种的，哎，相对好一点。你像这种的，哎，比较混。哎，像这种的就会好一点，可能哎，一方面是颜色的区分用，另一方面是什么聚类的一个。剧烈的一个精度的一个影响。哎，等等等等啊，不过这个过程啊，非常的耗时间啊，耗上的耗时间，大家把几十万细胞进行降温积累，这个时间相当长啊。哎，我跑过基本上得3天啊。

哎，这都是一些降维聚类的分析了，你看分了多，我分了就是292个群。292个区，大家看看这个区域有多少？然后就是差补了，哎，差补就是。刚才这个PPT上讲到的这一部分，这个部分进行插补啊，它是为了填补这个信息，就是说我们的原位信息表达量实在是太低了，我想用单细胞的数据或者其他的高精度数据，把它数据给它填补回来。他用了这个方法，这里面用了SG。嗯，SG.哎，把它插不回来，最后呢，哎，做了0域腹肌，0域附肌，它也是基于细胞大类啊，这个基于class的就更不可取了，大家要基于细胞小类呃，尤其是不同区域之间的一个细胞复集的分级状态，这个更加的合理一点，也是更加精度更高一点啊。呃，其实总之啊。

无论是HD还是原位分析啊，它的分析方法都还停留在一个比较什么。普及的一个阶段很多，呃，文章也少，借鉴的也少，这个时候需要什么？需要大家发挥聪明才智了啊，只要你找准一个点，并且能合理的分析，它就是你的创新点。啊，越少的时候，越是有机会的时候啊。等到将来大家都发了，就像单学校发了一两万篇的时候。哎，那就谈不上什么机会了啊，基本上就是什么。呃，卷呗，对吧，别人做5个样本，我做10个啊，就疯狂的卷就是了啊，这个脚本呢，我到时候会发给大家，哎，大家可以试一下啊，不过这个耗资耗资源耗内存，非常的夸张啊。哎，如果说你的原来平台只做了几千个细胞，这个还好啊，如果已经和这个Z内一样做几十万啊，这个脚本跑起来非常的夸张啊，非常的夸张。好了，这就是我们几乎所有的课程了啊，我们来回顾一下我们的这个整个的一个系列课程啊。

哎，前6课我们讲了单细胞，单细胞啊，是大家分析的基本功啊，基本功。必须要很好的熟练掌握，我这里面的熟练掌握不是说大家会跑出来结果。而是要跑出来具有生物学意义的结果啊，而且在课程上强调过一点什么，我们要尽量整合多信息来源来分析我们的结果，而不是单一信息来源，比如说轨迹分析，我只做monco，这种分析结果在文章中其实是。不太行的，必须要结合多矩阵或者多信息来源，比如说结合velocity，比如说结合哎，2种方法，3种方法都可以。哎，这样的分析结果才是相对可靠的，也是审稿人现在比较认可的。至于说单细胞联合VDZ、单细胞联合a attack、单细胞联合突变，这些文章都非常少啊，非常少，都是一些很好的方向，但是分析难度相应的也会变大。

哎，你要能hold住它，你要能分析的得了，它，自然而言发的文章就会高一点，如果你只会单细胞转录足的一个主学啊，目前来讲非常的卷啊。等到第7课开始，我们就开始上我们的空间转录组的一个分析内容了，讲了很多有针对基因的，有针对哎细胞通路的有，呃，像这种，嗯，Mia呢，也是，其实也是针对基因的。哎。还要经一经，呃，针对形态学判定的。哎，针对逆齿的，针对网络的，像这种针对空间的一个位置了，哎，空间转录主微生物这个目前发的文章都非常少了。啊，真正能做这种的应用的都废，这都是非常有钱的课题组才能做啊，空间VDZ呢，这个哎讲过一些啊，只不过空间VDZ啊，在原位平台上要干嘛，要设计相应的探针。哎，VDZ探针在高通量的平台上呢，哎，要进行一定的合理呃实验的研发，目前来讲各大公司尤其是大公司是可以做的，只不过是半研发性质，不商业化。

哎，所以说大家都接触不到这些内容。哎，像空间CV啦，什么淋浴啊。好的sport了，哎，社区这节课呢，其实啊不重要啊，就和我们的领域差不多，哎，季度梯度了。呃，可变剪切了轨迹了，轨迹其实各个平台都可以做啊，都一样的，只要涉及到和空间位置相关的分析，无论什么平台都是可以做的，领域评分也是一样的，领域评分其实就是和细胞的一个空间位置相关。哎，各个平台都可以做分子生态位差异分析啊，涉及到分子的时候就和大家的通量有关了，所以说就需要什么，诶通量稍微高一点，通量太低的话，做差异做负极其实意义是不大的啊。然后讲了两节课HD啊HD目前也在一个发展当中，哎，目前我们对他的一个基础了解之后啊，就要发散我们的思维了，做一些创新的一个工作，当然创新的工作是吧。

呃，一方面我们要合理，哎，要合理，第二个呀，第二个呢。哎。要哎，基本上你创新的分析点如果合理的前提下呢，发的文章都非常高啊，包括师生自己推了一篇高精度维系队在分析文章啊。哎，最后三个简单聊了聊，关于zip的一些分析啊，这些分析点啊，大家回头汇总汇总，很多时候啊，都是相互借鉴的。比如说像微总平台的一些，呃。当然分子历史和细胞历史是借鉴于微热姆，是一个低精度平台，有这样一个分析，那么领域分析呢，其实都是一样的。哎，淋浴分析哪儿去了？呃，淋域分析其实都是一样的，呃，细胞领域，分子领域，这个是各个平台都要做的，CNV的话就是高精度平台才可以做，呃，高通量的平台才可以做的啊。哎，空间网络的话是哪个平台都可以做。

生态为通讯啊，通讯的话和基因相关，需要把通讯的基因涵盖进来，这个时候呢，哎，高通量的才可以。联合呢就不说了，联合大家如果是高精度平台都不需要联合，直接拿到了这个单细胞级的空间数据了。哎，供定位固定位就成了我们哎。刚才提到的什么？哎，关了。Neighborhood.Neighborhood的，到时候大家再看吧啊。呃，形态学这就别说了，形态学这每个空间的必修课啊，必修课包括整合，整合的话，无论原位还是微M还是这HD，必然是要走向整合这条的。啊，但是随着现在各大公司在提升算力，提升它的整合方法，哎，相信很快整合就会有一些成熟的方案出来啊。哎，联合单细胞联合，联合的话就是低精度，我一般都是CL to location, 哎，稍微高精度一演的，比如说HD啊，Slapk啊，华大啊等等，哎，用的是RCTD啊。

这里面稍微再强调，呃，强调一个很。哎，很让我觉得矛盾的点啊，矛盾的点啊。但是可能也是自己认识上还不足。这个大家看这个Z平台。哎，Z内平台。哎，大家不知道大家详细看过没，他在分析的时候居然什么。这图片。哎，大家看这个图片也都是OV的格式啊。Fo的格式啊，就是这种简单的底片，并没有很强的一个形态学认知。这个地方呢？让我最诧异的是什么呢？他用这个Z平台居然也用了这种，嗯。

细胞结卷机的方式。哎，用的是什么。RCTD啊。这种让我比较诧异啊，可能他认为时辰的这个图像识别还是有问题啊，所以说呢，很多时候我们要干嘛。啊，最好还是自己来构建一个比较好的图像识别方法，这也是公司现在追求的一个目标啊，因为毕竟因为实成的工程师已经告诉我们了，他目前这个仪器自动带的这个图像识别是有问题的。啊。好了，这就是我们几乎所有需要注意的一个。快几点了？啊，基本上到最后就结束了啊，这就是我们所有的系列课程了，哎，也是大家需要回顾认真分析的一些内容了啊，我我是讲完了，但是大家的学习课没有完啊，课没有完。很多方法都是相互共通的，而且随着，而且大家要上完这节课呀，要对这个思有一些提升。

哎，不要说我会这个售后分析，但是要从更高的维度来看它，我为什么要做这个分析，他能我能得到什么，这才是一个合理的思路啊。