男，
一个长大了才会遇到的帅哥，
稳健，潇洒，大方，靠谱。
一段生信缘，一棵技能树。
生信技能树核心成员，单细胞天地特约撰稿人，简书创作者，单细胞数据科学家。
空间信息在空间转录组中的运用
Giotto|| 空间表达数据分析工具箱
SPOTlight || 用NMF解卷积空间表达数据
Seurat新版教程：分析空间转录组数据(上)
Seurat新版教程：分析空间转录组数据(下)
scanpy教程：空间转录组数据分析
10X Visium:空间转录组样本制备到数据分析
定量免疫浸润在单细胞研究中的应用
stLearn: integrating spatial location, tissue morphology and gene expression to find cell types, cell-cell interactions and spatial trajectories within undissociated tissues
空间转录组学是一种新兴的技术，它将空间信息和组织形态以及表达量融合成空间表达数据。整合这三种类型的数据极大地丰富了人们的想象力，寄希破译细胞类型在其原生背景下的新状态。在这里我们向大家演示stLearn：一个综合分析以上三种数据类型的python库，stLearn首先像分析单细胞转录组一样识别细胞类型，不同的是stLearn可以在空间中重建组织内的细胞类型演变（Spatial trajectory inference ），并识别具有细胞间相互作用（Spatial cell-cell interaction）的区域。
stLearn的创新之处在于：
SME normalisation ：(Spatial Morphological gene Expression normalisation，空间基因表达均一化)是一种组织内的均一化策略，它利用邻域信息(空间位置)和形态距离对基因表达数据进行均一化。试图把空间信息应用到数据分析的全流程。
SMEclust：stLearn使用SME归一化数据，进行无监督聚类，将相似的点聚到聚类中，并根据组织中聚类的空间信息找到子类。与其他方法相比，SMEclust具有更高的空间聚类性能。
spatial trajectory inference ：这部分是此演示文本的重点，我们将在下面描述之。
spatial cell-cell interactions：为了研究细胞-细胞相互作用(CCI)，stLearn将细胞类型多样性和L-R共表达结合成一个统计量，可用于自动扫描整个组织切片。stLearn分别计算了L-R表达和细胞类型多样性，最后将这两种分析合并，以发现对细胞-细胞相互作用有重要作用的L-R对。
下面是stLearn分析流程的框架：
切入今天我们主要讨论的主题：空间轨迹推断
我们曾经表明：单细胞的一切分析 加前缀Spatial 都是一个新的分析点。trajectory 当然不会例外。
为了发现组织过程——例如，回答哪个癌细胞或克隆最先出现，或者癌症是如何进化的——stLearn提供了一种称为伪时空(pseudo-space-time, PST)轨迹分析的算法。PST是scRNAseq数据分析中常用的伪时间(pseudotime)概念的一个扩展，它被设计用来检测生物过程，这些生物过程可以从跨组织转录状态的梯度变化来推断。在PST中，进化轨迹是基于组织内细胞的空间环境和转录组图谱重建的。在SMEclust分析之后，我们实现了PST算法来寻找组织局部层次(即单个亚群的子群之间的关系)和全局层次(即亚群之间的关系)，分别对应亚群内部和亚群之间的关系。
stLearn首先使用基于全组织SME 均一化基因表达数据的PAGA轨迹分析，用于发现亚群内的联系。然后，利用稳健的轨迹推断方法——扩散伪时间(diffusion pseudotime ， DPT)方法计算伪时间。DPT方法使用类似随机游走的方法来测量细胞到细胞的转移。对于轨迹的方向，用户可以根据组织中正在研究的生物过程来定义根节点。然后结合基因表达值和物理距离计算伪时空距离( pseudo-space-time distance，PSTD)。在此基础上，构建有向图，像monocle一样寻找分支的方法类似：利用有向最小生成树算法对图进行优化，找出图中连接节点最短有根树和分支。可见，空间轨迹推断也是一种排序分析，只是构建距离矩阵的方法不同，这里的距离用到了空间信息。
工具安装：https://stlearn.readthedocs.io/en/latest/installation.html
数据下载：https://support.10xgenomics.com/spatial-gene-expression/datasets/1.0.0/V1_Adult_Mouse_Brain
安装分析工具和下载示例数据之后我们开始做演示：
可见 stlearn 用的是和scanpy一样的数据结构，其实stlearn的很多函数也是调用scanpy的，所以scanpy的所有分析在这里也是完全做的，如：
基本上与单细胞预处理一样的过程，质控，均一化，标准化过程。
降维聚类：
有了聚类信息可以看看分群情况：
只画几个亚群：
绘制基因表达量：
在特定亚群的表达情况：
基本的数据探索之后，我们开始做空间轨迹推断。注意，这里和单细胞转录组一样，根节点的选择也是很重要的。
没有空间信息的轨迹（拟时序）。
st.spatial.trajectory.pseudotimespace_local函数可以构造局部轨迹, 该算法计算子类之间的时空距离。可以理解为亚群内部的轨迹（异质性）。
可以看出指定的亚群内各部分间的转移轨迹，并给出对应的score值和方向。
欲构建全局的轨迹可以用：
有了在空间中的轨迹（形成不同的分支），我们肯定想知道哪些基因决定了这种轨迹，stLearn可以检测分支间过渡的marker gene。像差异表达分析的结果一样会返回一个gene list，这就可以走向基因调控，代谢通路之中了。
思考题：
考察下图，有了空间信息并检测出亚群边界后，这些边界附近的细胞有没有什么特殊的特征（处于边界本身就是一种特征），请尝试提出一些统计量来描述这些特征及其拟说明的生物学问题。
stLearn: integrating spatial location, tissue morphology and gene expression to find cell types, cell-cell interactions and spatial trajectories within undissociated tissuestrajectories: Classes and Methods for TrajectoryDataPAGA: graph abstraction reconciles clustering with trajectory inference through a topology preserving map of single cellsTempora: cell trajectory inference using time-series single-cell RNA sequencing dataA comparison of single-cell trajectory inference methodsInference of multiple trajectories in single cell RNA-seq data from RNA velocityUntangling biological factors influencing trajectory inference from single cell data
References
https://en.wikipedia.org/wiki/Trajectory_inference
https://www.youtube.com/watch?v=Fbd08bIv4yk
https://github.com/mdozmorov/scRNA-seq_notes
https://stlearn.readthedocs.io/en/latest/Pseudo-space-time-tutorial.html
如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程
单细胞初级8讲和高级分析8讲
老板，请为我配一个懂生信的师兄
数据挖掘（GEO,TCGA,单细胞）第10期（今年最后一期）