BayesSpace

加载数据

BayesSpace支持三种加载方式SingleCellExperiment进行分析。

Visium数据集处理空间管理员可以直接通过加载readVisium ()函数。这个函数只需要空间管理员输出目录的路径(包含空间/和filtered_feature_bc_matrix /子目录),并返回一个SingleCellExperiment。

南加州爱迪生公司< -readVisium(“路径/ / spaceranger /细节/”)

第二,所有数据集分析BayesSpace手稿很容易通过的getRDS ()函数。这个函数有两个参数,数据集的名称,并在数据集样本的名称。

黑色素瘤< -getRDS(数据集=“2018 _thrane_melanoma”,示例=“ST_mel1_rep2”)

最后,SingleCellExperiment人工构造的对象可以从数矩阵和表的行和列的数据。BayesSpace只要求提供现货阵列坐标列命名行和上校在colData。(注意,增强Visium数据集另外需要组织中的每个点图像的像素坐标,但在这种情况下,数据集应该装满readVisium ()自动加载这些数据。)

图书馆(矩阵)rowData < -read.csv(“路径/ / rowData.csv”,stringsAsFactors =假)colData < -read.csv(“路径/ / colData.csv”,stringsAsFactors =假,row.names =1)计数< -read.csv(“路径/ / counts.csv.gz”,row.names =1,check.names =F,stringsAsFactors =假))南加州爱迪生公司< -SingleCellExperiment(化验=列表(数=作为(计数,“dgCMatrix”)),rowData =rowData,colData =colData)

我们将继续与黑色素瘤样本2018空间转录组论文剩下的例子在这个描述。

数据预处理

BayesSpace需要最小的数据预处理,但我们为自动化提供一个helper函数。

spatialPreprocess ()log-normalizes数矩阵并进行PCA在顶部n.HVGs高度可变的基因,使顶部n.PCs主要组件。此外,空间添加元数据的测序平台SingleCellExperiment为下游分析。如果你不希望重新运行PCA,运行spatialPreprocess ()的国旗skip.PCA = TRUE只会增加BayesSpace需要的元数据。

在这里,我们省略log-normalization所有可用数据集通过getRDS ()已经包括log-normalized计数。

set.seed(102年)黑色素瘤< -spatialPreprocess(黑色素瘤,平台=“圣”,n.PCs =7,n.HVGs =2000年,log.normalize =假)

选择集群的数量

我们可以使用qTune ()和qPlot ()函数来帮助选择问集群的数量在我们的分析使用。

• qTune ()运行BayesSpace聚类算法对多个指定的值问(默认情况下,3到7)和计算他们的平均pseudo-log-likelihood。它接受任何参数spatialCluster ()。
• qPlot ()情节pseudo-log-likelihood的函数问;我们建议选择问在肘部的阴谋。

黑色素瘤< -qTune(黑色素瘤,q =seq(2,10),平台=“圣”,d =7)qPlot(黑色素瘤)

集群与BayesSpace

的spatialCluster ()功能集群,并添加预测集群标签SingleCellExperiment。通常,当我们做的分析,我们建议使用至少10000次迭代(nrep = 10000),但是我们使用1000迭代演示为了运行时。(注意,随机种子必须设置为了结果是可再生的。)

set.seed(149年)黑色素瘤< -spatialCluster(黑色素瘤,q =4,平台=“圣”,d =7,init.method =“mclust”,模型=“t”,γ=2,nrep =1000年,burn.in =One hundred.,save.chain =真正的)

mclust初始化(cluster.init)和BayesSpace集群作业(spatial.cluster)现在SingleCellExperiment中可用的colData。

头(colData(黑色素瘤))# > DataFrame 6行5列# >行坳sizeFactor集群。init spatial.cluster# > <整数> <整数> <数字> <数字> <数字># 15 0.795588 - 1 1 > 7 x15 7# > 7 x16 7 16 0.307304 - 1 1# > 7 x17 7 17 0.331247 - 2 2# > 7 x18 7 18 0.420747 - 3 213 # > 8 * 13 8 0.255453 - 1 114 # > 8 x14英寸8 1.473439 - 1 1

可视化空间集群

我们可以画出集群作业的空间位置点clusterPlot ()。

clusterPlot(黑色素瘤)

作为clusterPlot ()返回一个ggplot对象,它可以通过组合定制与熟悉ggplot2功能。此外,参数调色板设置每个集群使用的颜色clusterPlot ()需要附加参数geom_polygon ()如大小或颜色控制现场的美学的境界。

clusterPlot(黑色素瘤,面板=c(“紫色”,“红色”,“蓝色”,“黄色”),颜色=“黑色”)+theme_bw()+xlab(“列”)+ylab(“行”)+实验室(填补=“BayesSpace\ n集群”,title =“ST_mel1_rep2空间聚类”)

集群在提高分辨率

的spatialEnhance ()函数将提高分辨率的主要组件,并添加这些电脑以及预测集群subspot分辨率提高到一个新的标签SingleCellExperiment。与我们的演示spatialCluster ()以上,我们用更少的迭代这个例子的目的(nrep = 1000比我们建议在实践中)(nrep = 100000或更高版本)。请注意,jitter_scale参数应该调整,建议更新subspot-level表达接受大约30%的时间。这可以评估使用mcmcChain(黑色素瘤。增强,“Ychange”),链应该稳定0.25 - -0.40。通常1000 - 2500次迭代都能充分评估jitter_scale应该增加如果接受过高或减少接受太低了。调优后,继续全面运行spatialEnhance有更多的迭代。

黑素瘤。增强的< -spatialEnhance(黑色素瘤,q =4,平台=“圣”,d =7,模型=“t”,γ=2,jitter_prior =0.3,jitter_scale =3.5,nrep =1000年,burn.in =One hundred.,save.chain =真正的)

增强的SingleCellExperiment包括索引到父的原创南加州爱迪生公司(spot.idx),以及一个subspot指数。它增加了补偿到原始点坐标,并提供增强的集群标签(spatial.cluster)。

头(colData(melanoma.enhanced))与6 # > DataFrame行9列# >。idx subspot。idx现货。行位置。上校行上校# > <数字> <整数> <整数> <整数> <数字> <数字>1 1 7 # > subspot_1.1 15 7.33333 - 15.3333# > subspot_2.1 2 1 7 16 7.33333 - 16.3333# > subspot_3.1 3 1 7 17 7.33333 - 17.3333# > subspot_4.1 4 1 7 18 7.33333 - 18.3333# > subspot_5.1 5 1 8 13 8.33333 - 13.333314 # > subspot_6.1 6 1 8 8.33333 - 14.3333# > imagerow imagecol spatial.cluster# > <数字> <数字> <数字># > subspot_1.1 7.33333 15.3333 - 1# > subspot_2.1 7.33333 16.3333 - 2# > subspot_3.1 7.33333 17.3333 - 1# > subspot_4.1 7.33333 18.3333 - 2# > subspot_5.1 8.33333 13.3333 - 1# > subspot_6.1 8.33333 14.3333 - 1

我们可以画出上面的增强集群作业。

clusterPlot(melanoma.enhanced)

增强基因表达的决议

BayesSpace作用于基因表达矩阵的主成分spatialEnhance ()因此电脑向量计算更高的分辨率。直接增强基因表达不是计算,而是使用回归算法估算。对于每一个基因,使用每个点的PC向量模型是预测现货价格基因表达训练,和拟合模型用于预测subspot subspot PC的表达式。

基因表达增强的实现enhanceFeatures ()函数。BayesSpace预测表达式xgboost默认情况下,但线性和狄利克雷回归也可以通过模型论点。当使用xgboost,我们建议自动调整nrounds参数被设置为0,尽管这是在运行时增加的成本(~ 4 x低于预先确定nrounds在实践中)。

enhanceFeatures ()可用于转嫁subspot-level所有基因表达,或者感兴趣的基因的一个子集。在这里,我们将演示通过提高四个标记基因的表达:PMEL(黑色素瘤)、张(t细胞),CD19 (b细胞)和COL1A1(成纤维细胞)。

标记< -c(“PMEL”,“张”,“CD19”,“COL1A1”)黑素瘤。增强的< -enhanceFeatures(melanoma.enhancedmelanoma,feature_names =标记,nrounds =0)

默认情况下,log-normalized表达式(logcounts (sce))估算,虽然其他化验可以指定或任意特性矩阵。

logcounts(melanoma.enhanced)[标记,1:5]# > subspot_1.1 subspot_2.1 subspot_3.1 subspot_4.1 subspot_5.1# > PMEL 2.3572879 1.2667019 2.2696812 2.0454569 2.6437354# > CD2 0.4325081 0.6166353 0.3151001 0.2315192 0.2875694# > CD19 0.6170074 0.6239508 0.4075240 0.4075240 0.6170074# > COL1A1 0.1031096 2.9217663 1.2033939 1.0364592 0.1780530

从每个预测模型诊断措施,如rmse当使用xgboost添加到rowData增强的数据集。

rowData(melanoma.enhanced)[标记]# > DataFrame 4行4列# > gene_id gene_name。HVG enhanceFeatures.rmse# > <人物> <人物> <逻辑> <数字>0.804628 # > PMEL ENSG00000185664 PMEL真实0.614575 # > CD2 ENSG00000116824 CD2真实0.697327 # > CD19 ENSG00000177455 CD19真实0.704845 # > COL1A1 ENSG00000108821 COL1A1真实

可视化增强基因表达

空间基因表达与可视化featurePlot ()。

featurePlot(melanoma.enhanced“PMEL”)

在这里,我们比较空间估算标记基因的表达。

增强。情节< -purrr::地图(标记,函数(x)featurePlot(melanoma.enhancedx))拼接而成::wrap_plots(enhanced.plotsncol =2)

我们可以与现货价格表达式。

的位置。情节< -purrr::地图(标记,函数(x)featurePlot(黑色素瘤x))拼接而成::wrap_plots(c(enhanced.plots的位置。plots),ncol =4)