我爱我爱色 10X-Visum空间转录组(2)---下流分析数据基本措置-降维聚类-可视化

1、《KS科研共享与就业》公众号有QQ疏浚群，干与门槛是20元（全齐是为了驻防白嫖党我爱我爱色，请相识），请商酌败露。群里有免费推文的注目代码和示例数据（终生领有），莫得付费实践，群成员福利是购买单个付费实践半价！

2、《KS科研共享与就业》微信VIP群只针对购买打包代码的小伙伴（公众号通盘付费实践书册）！微信群不是单独的，是关于打包的东说念主答疑解惑和疏浚的平台、群成员专享视频教程，帖子提前发布，以过头他更多福利！

点击：→ 加入微信vip群：2024-2025《KS科研共享与就业》付费实践打包集中

3、需进QQ群粗略打包代码入微信VIP的小伙伴请添加作家微信了解，请备注主见，除此除外请勿添加，谢谢！

确定请相干作家：

前边咱们演示了10X空转的上游分析（10X-Visum空间转录组(1)---上游分析），主如若为了应付一些非凡的状态，从这节运转，咱们将缓缓进行下流分析。其实下流分析仍是不是什么难事了，不管是官网，照旧其他阶梯，齐有很缜密的演示不错参考，咱们不错对比一下，搞显明其中的一些细节。本节实践已发布微信VIP。

咱们这里演示的是多个样本，如果您是单个的，粗略需要单独分析，那么平直走单个的经由即可，无用合并分析。分析照旧使用纯属的seurat，纯属的配方！

setwd("/home/tq_ziv/data_analysis/10X空间转录组/")library(Seurat)library(ggplot2)library(hdf5r)library(tidydr)

加载数据，load data蓝本并不是什么需要说的，然而毕竟跟着全球数据库的增多，许多技术需要哄骗别东说念主的数据，那么这技术读取数据可能就不是那么顺畅了。就像scRNA教程发轫雷同，咱们写了许多种情况的数据读取。空间转录组亦然如斯，如果我方跑了space ranger上游，取得了数据，那么就很好读取了，Load10X_Spatial即可。读取条件是将抒发矩阵filtered_feature_bc_matrix.h5文献和spatial文献夹放在并吞目次下。咱们有多个data，分辨读取！

#Early1Early1 <- CreateSeuratObject(counts = Read10X("./raw/Early_R1/")， assay = "Spatial")#读取exp matrix，并创建seurat objEarly1_img <- Read10X_Image(image.dir = file.path("./sptial/Early_R01_S1_spatial/")， filter.matrix = TRUE)#Load a 10X Genomics Visium ImageEarly1_img <- Early1_img[Cells(x = Early1)]DefaultAssay(Early1 = Early1_img) <- "Spatial"Early1[["slice1"]] <- Early1_img#Early2Early2 <- CreateSeuratObject(counts = Read10X("./raw/Early_R2/")， assay = "Spatial")#读取exp matrix，并创建seurat objEarly2_img <- Read10X_Image(image.dir = file.path("./sptial/Early_R02_S1_spatial/")， filter.matrix = TRUE)#Load a 10X Genomics Visium ImageEarly2_img <- Early2_img[Cells(x = Early2)]DefaultAssay(Early2 = Early2_img) <- "Spatial"Early2[["slice1"]] <- Early2_img#Mid1Mid1 <- CreateSeuratObject(counts = Read10X("./raw/Mid_R1/")， assay = "Spatial")#读取exp matrix，并创建seurat objMid1_img <- Read10X_Image(image.dir = file.path("./sptial/Mid_R01_S1_spatial/")， filter.matrix = TRUE)#Load a 10X Genomics Visium ImageMid1_img <- Mid1_img[Cells(x = Mid1)]DefaultAssay(Mid1 = Mid1_img) <- "Spatial"Mid1[["slice1"]] <- Mid1_img#Mid2Mid2 <- CreateSeuratObject(counts = Read10X("./raw/Mid_R2/")， assay = "Spatial")#读取exp matrix，并创建seurat objMid2_img <- Read10X_Image(image.dir = file.path("./sptial/Mid_R02_S2_spatial/")， filter.matrix = TRUE)#Load a 10X Genomics Visium ImageMid2_img <- Mid2_img[Cells(x = Mid2)]DefaultAssay(Mid2 = Mid2_img) <- "Spatial"Mid2[["slice1"]] <- Mid2_img#Old1Old1 <- CreateSeuratObject(counts = Read10X("./raw/Old_R1/")， assay = "Spatial")#读取exp matrix，并创建seurat objOld1_img <- Read10X_Image(image.dir = file.path("./sptial/Old_R01_S1_spatial/")， filter.matrix = TRUE)#Load a 10X Genomics Visium ImageOld1_img <- Old1_img[Cells(x = Old1)]DefaultAssay(Old1 = Old1_img) <- "Spatial"Old1[["slice1"]] <- Old1_img#Old2Old2 <- CreateSeuratObject(counts = Read10X("./raw/Old_R2/")， assay = "Spatial")#读取exp matrix，并创建seurat objOld2_img <- Read10X_Image(image.dir = file.path("./sptial/Old_R02_S2_spatial/")， filter.matrix = TRUE)#Load a 10X Genomics Visium ImageOld2_img <- Old2_img[Cells(x = Old2)]DefaultAssay(Old2 = Old2_img) <- "Spatial"Old2[["slice1"]] <- Old2_img

质控，QC无非即是对每个spot的features、counts、粗略线粒体基因的比例的质控。因为spots并不是像单个细胞，我对比了许多的著述，他们质控并不是一致的，可能需要具体对待，有的著述以致莫得进行质控!

Spatial_list <- list(Early1，Early2，Mid1，Mid2，Old1，Old2)names(Spatial_list) <- c("Early1"，"Early2"，"Mid1"，"Mid2"，"Old1"，"Old2")Spatial_merge <-  Reduce(function(x，y) merge(x，y) ， Spatial_list) Spatial_merge <- Spatial_merge[，Spatial_merge$nCount_Spatial >=5]

多个数据整合分析：

DefaultAssay(Spatial_merge) <- 'Spatial'object_splitlist <- SplitObject(Spatial_merge， split.by = "orig.ident")for (i in names(object_splitlist)) {  object_splitlist[[i]] <- SCTransform(object_splitlist[[i]]， verbose = T， assay = 'Spatial')}#这就和作念scRNA的没啥区别了，nfeatures不错自行收受调度Integration.features <- SelectIntegrationFeatures(object.list = object_splitlist， nfeatures = 2000)object_splitlist <- PrepSCTIntegration(object.list = object_splitlist， anchor.features = Integration.features， verbose = T)#integration，因为是cca整合，速率可能会稍许慢少许，耐烦恭候integration.anchors <- FindIntegrationAnchors(object.list = object_splitlist， normalization.method = "SCT"，                                              anchor.features = Integration.features， verbose = T)Spatial_integrated <- IntegrateData(anchorset =integration.anchors， normalization.method = "SCT")

降维聚类：

Spatial_integrated <- RunPCA(object = Spatial_integrated， verbose = T)Spatial_integrated <- FindNeighbors(Spatial_integrated， dims = 1:30)Spatial_integrated <- FindClusters(Spatial_integrated， resolution = 0.8)#resolution可开荒多个，自行收受Spatial_integrated <- RunUMAP(Spatial_integrated， dims = 1:30， verbose = T)

可视化聚类，和scRNA雷同，望望spots分群：

cols= c("#EDB931"，"#eb6841"，"#cc2a36"，"#00a0b0"，"#7A989A"， "#849271"， "#CF9546"， "#C67052"， "#C1AE8D"，        "#3F6F76"， "#C65840"， "#62496F"， "#69B7CE"，"#91323A"， "#3A4960"， "#6D7345"， "#D7C969"，        "#C1395E"， "#AEC17B"， "#E07B42"， "#89A7C2"， "#F0CA50"，"#a53e1f"， "#457277"， "#8f657d"， "#8dcee2"，        "#E69253"， "#EDB931"， "#E4502E"， "#4378A0"， "#272A2A"，"#3F6148"， "#A4804C"， "#4B5F80"， "#DBD3A4")#转录组UMAP降维效果DimPlot(Spatial_integrated， label = F， cols = cols，pt.size = 0.1)+  theme_dr()+theme(panel.grid.major = element_blank()，                   panel.grid.minor = element_blank())

图片

展示spots空间位置！

patialDimPlot(Spatial_integrated， stroke=0.1，ncol=3)&   scale_fill_manual(values = cols) &  theme_bw()&  theme(axis.text = element_blank()，        axis.ticks = element_blank()，        axis.title = element_blank())

图片

纯属了scRNA的经由，那么空转的分析也会很顺畅，到这里关于空转，才算是运转。那么有一个问题即是，既然空转不是单细胞，每个spot其实包含几个细胞，那么接下来的要点即是怎样进行注目了，也即是常据说的反卷积，咱们后头渐渐了解。那么咱们照旧但愿空转能尽快打破单细胞水平吧！但愿咱们的共享对你有效我爱我爱色，单个赞再走呗!