需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

空间转录组数据分析的实用工作流程：从数据获取到高级分析

195 次观看

⸱

DOI：

10.3791/70188

⸱

2026年8月21日

 ,  ,  ,  ,  ,  ,  ,  , 
1Rehabilitation Medicine Center, The First Affiliated Hospital with Nanjing Medical University, 2Department of Neurology, The First Affiliated Hospital with Nanjing Medical University, 3School of Rehabilitation Medicine, Nanjing Medical University

本文内容

摘要

本方案提供了一种可重复的空间转录组数据分析工作流程，指导用户完成公共数据获取、基于Seurat的质量控制、数据整合、空间特征检测、细胞类型去卷积、感兴趣区域注释以及细胞间通讯分析，并设置了实用的检查点，以支持透明化的操作执行。

摘要

空间转录组学（ST）能够在保留组织切片中 mRNA 分子二维空间信息的同时，对全基因组范围内的基因表达进行分析，从而支持对组织结构和微环境相关生物学的研究。然而，ST 数据分析仍然具有挑战性，因为数据导入、质量控制、整合、去卷积、空间统计分析和可视化通常需要多个软件环境以及可重复的参数选择。本实验方案介绍了一种在 R 语言中处理公共 ST 数据集的实用计算流程，从数据获取和软件配置开始，依次进行基于 Seurat 的数据加载、质量控制、标准化、多样本整合、聚类分析以及空间可变基因分析。随后，该流程应用了多种互补的去卷积策略，包括基于参考的 SPOTlight 分析和无监督的 STdeconvolve 主题建模方法，继而采用基于 Giotto 的空间细胞间通讯分析，并通过自定义的 Python Dash 应用程序实现交互式感兴趣区域（ROI）选择。本方案强调基于脚本的执行方式、明确的参数设定依据、预期输出结果以及故障排查检查点，为标准阵列型 ST 数据集及相关平台提供了一个可灵活调整的分析框架，前提是需针对具体数据集和平台进行参数评估。

引言

空间转录组学（ST）是一类具有变革性的技术，可在保留组织切片内信使RNA（mRNA）分子空间坐标的同时，检测全基因组范围的基因表达。ST方法包括基于测序的技术，该技术使用带有位置条形码的阵列，以及 原位 在完整组织微环境中定位转录信号的成像方法1,2通过保留空间信息，空间转录组学（ST）能够分析组织结构、细胞邻域分布、细胞间通讯以及与微环境相关的生物学过程，而这些信息在组织解离后将无法完整解析。3.

公共空间转录组（ST）数据存储库的快速发展为二次分析和方法开发带来了前所未有的机遇3。诸如CROST数据库等资源汇集了跨越多个物种和技术平台的数百个空间分辨转录组数据集，而STOmicsDB等专业数据库则专注于特定技术方法，例如Stereo-seq4,5。尽管数据资源日益丰富，由于空间数据结构的复杂性、分析工具的多样性以及实现可重复工作流程中的技术障碍，计算分析仍然面临挑战6,7,8,9,10,11。

为克服依赖单一软件环境的局限性，本文提出了一种整合式计算工作流程，该流程利用互补的分析工具。现有的综合性空间转录组（ST）分析生态系统主要包括 Seurat、Giotto 以及基于 Python 的框架（如 Squidpy6,7,12）。尽管 Squidpy 等基于 Python 的工具为空间图分析提供了广泛的功能，但将主要计算流程集中于单一编程语言环境中，可最大限度减少跨语言的技术障碍。因此，核心流程主要在 R 环境中实现，以降低跨语言技术复杂性。在此基于 R 的工作流程中，Seurat 用于数据加载、质量控制、标准化、降维、可视化以及多样本整合，反映了其在单细胞和空间转录组学分析流程中的广泛应用。随后使用 Giotto 进行空间网络构建以及基于配体-受体的细胞间通讯分析。因此，该流程将基于 Seurat 的预处理与整合步骤与基于 Giotto 的空间分析相连接，同时确保两个工具集之间的数据传递过程明确且可重复。

在此框架中，采用了两种互补的去卷积策略：SPOTlight 是一种参考引导方法，利用单细胞 RNA 测序（scRNA-seq）数据来估计细胞类型比例；STdeconvolve 是一种无监督的主题建模方法，用于识别潜在的转录模式8,11。这两种方法的输出结果提供了空间细胞异质性的互补视角，除非用户执行本方案中描述的可选一致性分析，否则不将其视为定量的交叉验证。此外，集成了一个自定义的 Python Dash 应用程序“Select Spatial Spots”，用于交互式地进行感兴趣区域（ROI）注释，并导出基于标准坐标的注释文件，供后续下游分析使用。

关于实际应用性，本工作流程主要针对标准的基于阵列的空间转录组数据（例如，55 µm 分辨率的 Visium），在参数评估后可能适用于其他组织类型。在分析前应考虑若干关键局限性。首先，参考引导的去卷积模块依赖于高质量且与组织匹配的单细胞 RNA 测序（scRNA-seq）参考数据集。其次，亚细胞分辨率或接近单细胞水平的技术平台在整合前可能需要调整预处理步骤、空间 bin 聚合方法或基于图像的细胞分割方法2。本研究以代表性的小鼠结肠数据集作为演示案例，旨在展示该工作流程如何评估空间结构域及由标志物定义的组织架构，而非证明其在所有平台上的通用兼容性。

访问受限。请登录或开始试用以查看此内容。

方案

本方案中分析的所有生物数据集均为公开可用，且仅用于演示目的。相关步骤中提供了具体的数据编号及来源数据库。原始数据集由各原始研究者根据相应研究适用的机构伦理准则生成。请参见材料表以确认所有必需的软件及R语言程序包版本。

硬件要求：此工作流程所需的计算内存随分析的样本数和点数的增加而增加。对于典型的空間转录组学数据集（例如，每个样本约 3,000 个点，最多三个样本），配备至少 16 GB 内存的标准工作站足以运行该流程。然而，强烈建议使用 32 GB 或更高内存，以确保最佳性能和稳定性，特别是在进行 SCTransform 标准化以及去卷积过程中的矩阵分解等内存密集型计算步骤时。

1. 数据采集与目录结构准备

  1. 获取公开的空间转录组学数据集（例如，GEO 编号 GSE169749，提交日期为 2021 年 3 月 26 日，最后更新日期为 2022 年 3 月 6 日）以及单细胞 RNA 测序参考数据（例如，GEO 编号 GSE264408，提交日期为 2024 年 4 月 19 日，最后更新日期为 2024 年 12 月 10 日）。
  2. 从数据库下载原始数据压缩包（例如，GSE169749_RAW.tar）并解压该压缩包。
    注意：本方案所用的代表性数据集中，解压后的目录包含每个样本的多个文件，文件名通常包含 GEO 样本编号（例如，GSM5213483）。
  3. 将文件整理为与 Seurat Load10X_Spatial 函数兼容的标准目录结构。
    1. 创建一个主数据目录（例如，./data/）。
    2. 为每个样本创建一个专用的子目录（例如，./data/sample_A1/）。
    3. 将每个样本的以下关键文件转移（复制或移动）至相应的子目录中。
      1. 将 filtered_feature_bc_matrix.h5 文件放入样本的主子目录中。
      2. 在每个样本目录中创建一个 spatial/ 子文件夹。
      3. 将以下文件放入 spatial/ 子文件夹中： tissue_positions_list.csv.gz、scalefactors_json.json.gz 和 tissue_hires_image.png.gz。
    4. 解压 spatial/ 文件夹中的 .gz 文件。确保解压后的原始文件名与 Load10X_Spatial 函数所要求的名称完全一致（例如，tissue_positions_list.csv）。
      注意：为实现无缝加载，最终整理好的目录结构必须遵循以下模式，以样本 A1 为例：
      ./data/sample_A1/filtered_feature_bc_matrix.h5
      ./data/sample_A1/spatial/tissue_positions_list.csv
      ./data/sample_A1/spatial/scalefactors_json.json
      ./data/sample_A1/spatial/tissue_hires_image.png

2. 软件环境设置

  1. 安装 R（版本 4.4.3 或更高版本）。
  2. 从 GitHub 仓库（https://github.com/LeafLight/SpatialTranscriptomicsWorkFlow，为确保可重复性，请使用提交哈希值 2d85e18）获取分析脚本（1_ReadSpatialData.R 至 8_Giotto_Communication.R）。
  3. 通过运行脚本 setup.R 安装来自 CRAN 和 Bioconductor 的必需 R 包。
    注意：本工作流程所使用具体包版本的完整列表见材料表，也可在相关 GitHub 仓库（https://github.com/LeafLight/SpatialTranscriptomicsWorkFlow）中的 session_info.txt 文件中获取。
  4. 通过执行官方文档中提供的安装命令来安装 Giotto Suite。
    1. 访问官方安装网址以获取安装脚本：https://giottosuite.com/articles/installation.html
    2. 根据分步说明初始化所需的 Python 环境和系统依赖项。
  5. 安装额外的可视化增强包。
    1. 执行命令：install.packages(c("ggprism", "colorBlindness"))
  6. 安装自定义的 Select Spatial Spots 工具。确保操作系统为 Windows、macOS 或 Linux，并已安装 Python 3.8 或更高版本。此步骤为可选。
    1. 前往 GitHub 仓库（https://github.com/LeafLight/SelectSpatialSpots，为确保可重复性，请使用提交哈希值 d20946e）下载源代码以获取该工具。
    2. 进入工具目录并安装 Python 依赖项： pip install -r requirements.txt
  7. 通过执行 BiocManager::install("glmGamPoi") 安装 glmGamPoi 包，以加速 SCTransform 标准化过程。
    注意：核心工作流程仅需步骤 2.1–2.3 和 2.6 中列出的包。Rfast2 包用于加快 Moran's I 统计量的计算。步骤 2.5 中的可选包用于生成具有棱镜风格主题（ggprism）的出版级图表以及使用适合色盲用户的调色板（colorBlindness）。步骤 2.6 中的工具可实现交互式点位选择功能。请执行 sessionInfo() 命令并将完整的控制台输出保存为文本文件，以记录确切的软件版本和包依赖关系，这对确保长期可重复性至关重要。

3. 空间数据加载与质量控制（1_ReadSpatialData.R, 2_SpatialDataQC.R）

  1. 将空间数据读取为 Seurat 对象。
    1. 使用 Read10X_Image 手动加载高分辨率组织图像，并指定 image.dir 和 image.name。
    2. 使用 Load10X_Spatial，并将 image 参数设置为步骤 3.1.1 中创建的图像对象，以生成 Seurat 对象。
  2. 计算质量控制指标。
    1. 使用 PercentageFeatureSet 函数并设置模式 ^mt-，计算线粒体基因的读段百分比。
  3. 基于质量控制指标进行数据可视化与解读。
    1. 使用 VlnPlot 生成 nCount_Spatial、nFeature_Spatial 和 percent.mt 的小提琴图。
    2. 使用 SpatialFeaturePlot 创建这些指标的空间特征图，以识别位于组织区域外的捕获点。
      注：可视化检查点：组织区域外的捕获点通常表现出较低的 UMI 计数（nCount_Spatial < 500）和较低的基因检出数（nFeature_Spatial < 200）。
    3. 为演示目的，可应用筛选条件去除低质量捕获点（例如，subset(seurat_obj, subset = nFeature_Spatial > 200 & nCount_Spatial > 500)）。此步骤为可选。
      注：空间转录组学中质量控制的主要目标是识别并注释技术性伪影，例如组织区域外的捕获点。对于演示用的 Visium 结肠数据，设定 nFeature_Spatial > 200 和 nCount_Spatial > 500 可去除低复杂度或背景信号的捕获点。对于 RNA 含量较低或已降解的组织切片，应在提高阈值前仔细检查小提琴图和空间特征图；而对于 RNA 密度高或 UMI 含量高的组织，可考虑采用更严格的阈值。除非存在明显的双细胞、组织折叠或明确的伪影，否则应避免仅基于高表达值进行过滤。通常不建议进行过滤操作，因为这会物理性地移除空间位置，可能破坏组织结构的连续性，从而影响后续的空间分析。

4. 数据预处理、整合与聚类 (3_IntegrationAndClustering.R)

  1. 对各个样本进行标准化和预处理。
    1. 对每个样本分别应用 SCTransform 标准化，参数设置为 assay = 空间.
  2. 整合多个样本。
    1. 准备用于整合的经 SCT 标准化的对象列表。确保每个对象均具有 "RNA" 通过复制进行检测 "空间" 检测 spatial_list[[1]][["RNA"]] <- 空间列表[[1]][["空间"]]
      ​注意：复制 "空间" 将检测方法标准化 "RNA" 检测槽位作为一种必要的变通方法，可确保与下游集成功能的兼容性，这些功能最初是为单细胞 Seurat 对象设计的。
    2. 使用 选择整合特征 和 PrepSCTIntegration 识别共享的可变特征。
    3. 使用以下方法寻找整合锚点 FindIntegrationAnchors 与 归一化方法 = "SCT".
    4. 使用 IntegrateData 整合数据 归一化方法 = "SCT".
  3. 对整合后的检测数据进行降维和聚类分析。
    1. 对整合数据进行主成分分析（PCA） RunPCA.
    2. 通过计算主成分分析（PC）所解释的累积方差，确定下游分析的最佳主成分数量。使用代码中的方法，以编程方式识别拐点（例如，累积方差超过90%且边际增益降至0.1%以下的点） 3_整合与聚类.R第36-38行由此得到的PC数量在下文中称为 pc.use.
    3. 运行 RunUMAP dims = 1:pc.use.
    4. 使用聚类方法对细胞进行分群 查找邻近细胞 与 dims = 1:pc.use 并使用 FindClusters 进行聚类分析 分辨率 = 0.5仅在检查聚类稳定性与标记基因一致性后调整分辨率。
    5. 在目标组之间进行差异表达分析（例如， "B1_结肠_d14" 与 "A1_colon_d0") 使用 FindMarkers 功能。
      ​注意：可视化检查点：成功的整合将在UMAP图中显示样本间的适当混合，同时保持生物学上 distinct 的聚类。
  4. 识别空间可变基因。
    1. 对每个原始样品进行检测 FindSpatiallyVariableFeatures 使用 "moransi" 方法在 "SCT" 用于计算空间自相关的检测方法。

5. 单细胞参考数据预处理 (4_scDataPreProcessing.R)

  1. 使用 Read10X 读取单细胞 RNA-seq 计数矩阵，并创建 Seurat 对象。
  2. 进行标准的质控、标准化和聚类分析。
    1. 计算线粒体基因读段所占百分比（percent.mt），并对细胞进行过滤（例如：nFeature_RNA > 200 & nFeature_RNA < 7500 & percent.mt < 25）。
    2. 使用 SCTransform 对数据进行标准化，设置 vars.to.regress = "percent.mt"。
    3. 运行 PCA、UMAP 分析，并使用步骤 4.3.2 中描述的动态主成分选择方法对细胞进行聚类。
  3. 注释细胞类型。
    1. 使用 AddModuleScore 计算经典细胞类型标志基因的模块评分。
    2. 根据模块评分和已知生物学知识对聚类进行注释；或者，从元数据中导入预先计算好的注释结果。

6. 基于参考的 SPOTlight 解卷积分析 (5_SPOTlight_Deconv.R)

  1. 为 SPOTlight 准备数据。
    1. 将带有注释的单细胞 Seurat 对象和空间 Seurat 对象转换为 SingleCellExperiment 对象。
    2. 使用对数归一化单细胞数据 logNormCounts
  2. 运行 SPOTlight 去卷积分析。
    1. 使用单细胞数据鉴定高变基因（HVGs） modelGeneVar 和 getTopHVGs.
    2. 使用计算细胞类型标记基因 评分标记物 并筛选高质量的标记物（例如，mean.AUC） > 0.8).
    3. 将每种细胞类型的单细胞参考数据下采样至可管理的数量（例如，50 个细胞），以减少计算时间。
    4. 使用去卷积算法进行处理 SPOTlight 功能与 weight_id = "平均AUC"，组别编号 = "簇"，且 gene_id = "基因".
  3. 可视化并导出结果。
    1. 提取去卷积结果矩阵（每个点的细胞类型比例）。
    2. 使用 plotSpatialScatterpie 在空间坐标上可视化细胞组成。
    3. 使用去卷积结果更新空间 Seurat 对象的元数据 添加元数据去卷积矩阵，包含每个空间位点的细胞类型比例列、显示局部细胞组成的空间散点饼图，以及一个Seurat对象，其中包含作为元数据的去卷积比例。

7. 使用 STdeconvolve 进行无参考解卷积 (7_STdeconvolve.R)

  1. 准备空间数据。
    1. 使用空间 Seurat 对象提取原始计数矩阵 使用插槽 slot 的 GetAssayData "计数".
    2. 使用以下方法去除低质量的点和基因 cleanCounts 来自 STdeconvolve（例如， min.lib.size = 100).
  2. 鉴定潜在的细胞类型。
    1. 使用最低斑点表达比例进一步筛选基因集 限制语料库 （例如， 移除阈值以上=1.0, removeBelow = 0.05).
    2. 在一系列潜在主题数量（K）范围内拟合潜在狄利克雷分配（LDA）模型（例如， Ks = seq(2, 9, by = 1)）使用 fitLDA.
    3. 根据最低困惑度选择最优模型 最优模型，其中 opt = "分钟".
  3. 分析并可视化结果。
    1. 使用最优模型提取细胞类型（主题）比例（theta）和基因表达谱（beta） getBetaTheta.
    2. 为了辅助解释去卷积后的主题，导入由感兴趣区域（ROI）生成的注释 "选择空间位点" 工具（参见步骤 9.3.3）。将这些注释用作组参数 所有主题 将去卷积得到的细胞类型比例投影回空间坐标，并根据其ROI对点进行颜色编码。此步骤为可选。
      注意：STdeconvolve 应返回每个点的 theta 值（表示主题比例）和每个主题的 beta 值（表示基因表达谱）。如果用户希望将无监督的 STdeconvolve 结果与参考引导的 SPOTlight 输出结果（来自步骤 6）进行定量比较，可导出两个比例矩阵（STdeconvolve 的 theta 值和 SPOTlight 矩阵），并使用标准的 R 函数计算每个点的相关性或一致性指标（例如，Pearson 或 Spearman 相关性）。SPOTlight 与 STdeconvolve 之间的定量比较是可选的，并非核心工作流程所必需；然而，相关输出矩阵可从步骤 6.3.1 和 7.3.1 获取，供希望执行此类分析的用户使用。

8. 使用 Giotto 进行空间细胞间通信分析(8_Giotto_Communication.R)

  1. 将 Seurat 对象转换为 Giotto 对象。
    1. 使用 createGiottoObject 函数，提供原始计数矩阵和空间坐标。
  2. 预处理 Giotto 对象并添加去卷积结果。
    1. 使用 normalizeGiotto 对数据进行标准化。
    2. 使用 addCellMetadata 将细胞类型注释（例如来自 SPOTlight 去卷积的主要细胞类型）添加到细胞元数据中。
  3. 推断具有空间信息的细胞间通讯。
    1. 使用 createSpatialNetwork 并设置 method = "Delaunay" 和 name = "Delaunay_network" 创建空间网络。
    2. 将配体-受体数据库加载到 R 环境中。确保加载的对象格式为数据框，且包含两个独立的列，分别表示配体和受体基因符号（例如，来自 Zenodo 的预编译小鼠网络：https://zenodo.org/api/records/15168114/files/lr_network_mouse.csv/content，版本 v6，发布于 2025 年 4 月 7 日）。
    3. 运行 exprCellCellcom，设置 cluster_column = "celltype_major"，以识别在空间上邻近的细胞类型之间的显著配体-受体相互作用。预期输出：包含配体-受体对、来源与靶细胞类型组合、log2 倍数变化值以及校正后 P 值的结果表格；保留显著相互作用（例如，p.adj < 0.05）用于可视化。

9. 使用选择空间斑点进行交互式斑点选择 (6_SelectSpatialSpots.R)

  1. 为交互式工具准备数据。
    1. 使用 GetTissueCoordinates 从 Seurat 对象中提取空间坐标。
  2. 格式化并导出数据。
    1. 将坐标数据框格式化为包含以下精确列标题的形式：CELL_ID、X 和 Y。
    2. 将格式化后的数据框导出为 CSV 文件。
  3. 执行感兴趣区域（ROI）分析。
    1. 启动自定义的 Select Spatial Spots Dash 应用程序，并加载 CSV 文件。
    2. 根据空间位置交互式地选择点。
    3. 将所选点及其分配的组别/ROI 标签列表导出为新的 CSV 文件。预期输出：一个包含点标识符、X/Y 坐标以及分配的组别/ROI 标签的 CSV 文件，可通过 CELL_ID 与 Seurat 对象进行匹配。

访问受限。请登录或开始试用以查看此内容。

结果

工作流程的实施与数据整合揭示了主要的组织特征

将计算工作流程应用于小鼠结肠空间转录组学数据，以展示各分析阶段的预期输出结果。如工作流程示意图（图1）所示，该流程从数据获取和质量控制开始，其中空间特征图可勾画出组织边界（图2A、B）。随后采用Seurat基于锚点的整合流程，以减少技术批次效应，同时保留可解释的生物学变异。整合后的UMAP可视化结果展示了样本的对齐情况及空间聚类模式（图2C、D）。通过基于累积方差的定量动态主成分（PCs）选择方法，指导降维和下游聚类分析（见补充图1）。标志基因热图分析揭示了空间聚类背后不同的转录谱特征（图2E）。

为了评估计算聚...

访问受限。请登录或开始试用以查看此内容。

讨论

本方案提供了一套全面的空间转录组数据分析计算流程，在分析深度与实际可操作性之间实现了平衡。该逐步操作方法指导研究人员完成从初始数据获取到高级空间分析的整个分析流程，同时强调关键决策点和潜在的陷阱。

由于某些步骤会影响后续结果，因此在操作流程中需特别注意。质量控制和过滤阈值应根据特定的组织类型和技术平台仔细调整，因为过于严格的过滤可能会去除具有生物学意义的点，而过于宽松的阈值则可能引入技术噪声。标准化方法的选择会显著影响下游的聚类和差异表达分析结果。例如，本流程采用SCTransform而非标准的对数归一化方法，因为已有研究报道SCTransform能够建模并减少单细胞和空间工作流程中与测序深度及其他技术因素相关的技术变异14,15。在整合过程中，整合特征和分辨率参数的选择需要仔细权衡，以在保证整合强度的同时保留生物学信号。在空间可变基因识别方面，本流程选用Moran's I，因其在基于阵列的数据中具有计算可扩展性，并适用于空间自相关分析；然而，根据数据集大小和研究目...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明不存在竞争性财务利益。

致谢

作者感谢 Seurat、Giotto 和 SPOTlight 软件包的开发与维护人员所提供的支持和文档。同时衷心感谢公共数据存储库以及慷慨分享其数据集的研究人员所做出的贡献。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
ggplot2Posit Software, PBCv4.0.0(CRAN)高级数据可视化
GiottoDries 实验室v4.2.2 (GitHub)空间网络与细胞间通讯分析
patchwork Thomas Lin Pedersenv1.3.2 (CRAN)图形组合与布局
R 软件 统计计算基金会 R Foundation for Statistical Computingv4.4.3核心执行环境（macOS aarch64）
scaterDavis McCarthy 等v1.34.1 (Bioconductor)单细胞质量控制与可视化
scranAaron Lun 等v1.34.0 (Bioconductor)单细胞方差建模与标志物检测
Select Spatial Spots（自定义 Python 工具）LeafLightv1.0.0 (GitHub)交互式空间感兴趣区域（ROI）选择（https://github.com/LeafLight/SelectSpatialSpots）
Seurat Satija 实验室v5.3.0 (CRAN)空间数据预处理、整合与聚类
SeuratObject Satija 实验室v5.2.0 (CRAN)单细胞与空间数据的数据结构
SingleCellExperimentBioconductor 核心团队v1.28.1 (Bioconductor)单细胞 RNA 测序的标准数据容器
SPOTlightMarc Elosua-Bayes 等v1.10.0 (Bioconductor)基于参考的无监督空间去卷积
StdeconvolveJean Fan 实验室v1.3.2 (Bioconductor)无监督潜在主题建模
tidyversePosit Software, PBCv2.0.0 (CRAN)核心数据操作与格式化套件

参考文献

  1. Ozirmak Lermi N, Molina Ayala M, Hernandez S, et al. Comparison of imaging based single-cell resolution spatial transcriptomics profiling platforms using formalin-fixed paraffin-embedded tumor samples. Nat Commun. 2025;16(1):8499.
  2. Ren P, Zhang R, Wang Y, et al. Systematic benchmarking of high-throughput subcellular spatial transcriptomics platforms across human tumors. Nat Commun. 2025;16(1):9232.
  3. Danishuddin, Khan S, Kim JJ. Spatial transcriptomics data and analytical methods: An updated perspective. Drug Discovery Today. 2024;29(3):103889.
  4. Xu Z, Wang W, Yang T, et al. STOmicsDB: A comprehensive database for spatial transcriptomics data sharing, analysis and visualization. Accessed October 31, 2025. https://dx.doi.org/10.1093/nar/gkad933
  5. Wang G, Wu S, Xiong Z, Qu H, Fang X, Bao Y. CROST: A comprehensive repository of spatial transcriptomics. Nucleic Acids Res. 2024;52(D1):D882-D890.
  6. Chen JG, Chávez-Fuentes JC, O’Brien M, et al. Giotto Suite: a multiscale and technology-agnostic spatial multiomics analysis ecosystem. Nat Methods. 2025;22(10):2052-2064. doi:10.1038/s41592-025-02817-w
  7. Butler A, Hoffman P, Smibert P, Papalexi E, Satija R. Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nat Biotechnol. 2018;36(5):411-420.
  8. Elosua-Bayes M, Nieto P, Mereu E, Gut I, Heyn H. SPOTlight: seeded NMF regression to deconvolute spatial transcriptomics spots with single-cell transcriptomes. Nucleic Acids Res. 2021;49(9):e50-e50.
  9. McCarthy DJ, Campbell KR, Lun ATL, Wills QF. Scater: pre-processing, quality control, normalization and visualization of single-cell RNA-seq data in R. Bioinformatics. 2017;33(8):1179-1186.
  10. Lun ATL, McCarthy DJ, Marioni JC. A step-by-step workflow for low-level analysis of single-cell RNA-seq data with bioconductor. F1000Research. Preprint posted online October 31, 2016. doi:10.12688/f1000research.9501.2
  11. Miller BF, Huang F, Atta L, Sahoo A, Fan J. Reference-free cell type deconvolution of multi-cellular pixel-resolution spatially resolved transcriptomics data. Nat Commun. 2022;13(1):2339.
  12. Palla G, Spitzer H, Klein M, et al. Squidpy: A scalable framework for spatial omics analysis. Nat Methods. 2022;19(2):171-178.
  13. Luecken MD, Büttner M, Chaichoompu K, et al. Benchmarking atlas-level data integration in single-cell genomics. Nat Methods. 2022;19(1):41-50.
  14. Hafemeister C, Satija R. Normalization and variance stabilization of single-cell RNA-seq data using regularized negative binomial regression. Genome Biol. 2019 Dec 23;20(1):296.
  15. Cuevas-Diaz Duran R, Wei H, Wu J. Data normalization for addressing the challenges in the analysis of single-cell transcriptomic datasets. BMC Genomics. 2024;25(1):444.
  16. Sun S, Zhu J, Zhou X. Statistical analysis of spatial expression patterns for spatially resolved transcriptomic studies. Nat Methods. 2020;17(2):193-200.
  17. Jin S, Plikus MV, Nie Q. CellChat for systematic analysis of cell–cell communication from single-cell transcriptomics. Nat Protoc. 2025;20(1):180-219.
  18. Zohora FT, Paliwal D, Flores-Figueroa E, et al. CellNEST reveals cell–cell relay networks using attention mechanisms on spatial transcriptomics. Nat Methods. 2025;22(7):1505-1519.
  19. Wang Q, Zhu H, Deng L, et al. Spatial transcriptomics: Biotechnologies, computational tools, and neuroscience applications. Small Methods. 2025;9(5):2401107.
  20. Chen MM, Gao Q, Ning H, et al. Integrated single-cell and spatial transcriptomics uncover distinct cellular subtypes involved in neural invasion in pancreatic cancer. Cancer Cell. 2025;43(9):1656-1676.e10.
  21. Li H, Guan W, Huang J, et al. A complete model of mouse embryogenesis through organogenesis enabled by chemically induced embryo founder cells. Cell. 2025;188(21):5912-5930.e20.
  22. Loh JW, Lee JY, Lim AH, et al. Spatial transcriptomics reveal topological immune landscapes of asian head and neck angiosarcoma. Commun Biol. 2023;6(1):461.

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

基因表达谱分析组织结构数据整合质量控制Seurat 工作流程空间去卷积SPOTlight 分析细胞通讯分析感兴趣区域
空间转录组数据分析的实用工作流程：从数据获取到高级分析
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。