Este protocolo apresenta um fluxo de trabalho reprodutível para análise de dados de transcriptômica espacial, orientando os usuários desde a aquisição de dados públicos e controle de qualidade baseado no Seurat até a integração, detecção de características espaciais, desconvolução de tipos celulares, anotação de regiões de interesse e análise de comunicação célula-célula, com pontos de verificação práticos que apoiam a execução transparente.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de método
Um Fluxo de Trabalho Prático para a Análise de Dados de Transcriptômica Espacial: da Aquisição de Dados às Análises Avançadas
Neste artigo
Resumo
Resumo
A transcriptômica espacial (ST) caracteriza a expressão gênica em todo o genoma ao mesmo tempo em que preserva o contexto espacial bidimensional das moléculas de mRNA dentro de seções de tecido, permitindo estudos sobre a arquitetura tecidual e a biologia associada ao microambiente. No entanto, a análise de ST ainda é desafiadora porque a importação de dados, controle de qualidade, integração, desconvolução, estatísticas espaciais e visualização frequentemente exigem múltiplos ambientes de software e escolhas reprodutíveis de parâmetros. Este protocolo apresenta um fluxo de trabalho computacional prático para conjuntos de dados públicos de ST em R, começando pela aquisição de dados e configuração do software e prosseguindo com o carregamento de dados baseado no Seurat, controle de qualidade, normalização, integração de múltiplas amostras, agrupamento e análise de genes espacialmente variáveis. O fluxo de trabalho aplica então estratégias complementares de desconvolução, incluindo a análise SPOTlight guiada por referência e a modelagem de tópicos não supervisionada com STdeconvolve, seguida por análise espacial de comunicação célula a célula baseada no Giotto e seleção interativa de regiões de interesse (ROI) utilizando uma aplicação personalizada em Python Dash. Ao enfatizar a execução baseada em scripts, justificativas explícitas dos parâmetros, saídas esperadas e pontos de verificação para solução de problemas, o protocolo fornece um framework adaptável para conjuntos de dados padrão de ST baseados em matrizes e plataformas relacionadas após avaliação de parâmetros específicos do conjunto de dados e da plataforma.
Introdução
A transcriptômica espacial (ST) é uma família transformadora de tecnologias que mede a expressão gênica em todo o genoma ao mesmo tempo em que preserva as coordenadas espaciais das moléculas de RNA mensageiro (mRNA) dentro de seções de tecido. Os métodos de ST incluem abordagens baseadas em sequenciamento que utilizam matrizes com códigos de posição e abordagens de imagem in situ que mapeiam sinais transcricionais dentro de microambientes teciduais intactos1,2. Ao preservar o contexto espacial, a ST permite a análise da arquitetura tecidual, da organização de vizinhanças celulares, da comunicação entre células e de processos biológicos associados ao microambiente que não podem ser totalmente resolvidos após a dissociação do tecido3.
O rápido crescimento dos repositórios públicos de dados de ST criou oportunidades sem precedentes para análise secundária e desenvolvimento de métodos3. Recursos como a base de dados CROST curam centenas de conjuntos de dados transcriptômicos com resolução espacial em múltiplas espécies e plataformas tecnológicas, enquanto coleções especializadas como o STOmicsDB focam em metodologias específicas, tais como o Stereo-seq4,5. Apesar dessa abundância de dados, a análise computacional permanece desafiadora devido à complexidade das estruturas de dados espaciais, à diversidade de ferramentas analíticas e aos obstáculos técnicos na implementação de fluxos de trabalho reprodutíveis6,7,8,9,10,11.
Para superar as limitações de depender de um único ambiente de software, apresenta-se aqui um fluxo de trabalho computacional integrado que utiliza ferramentas analíticas complementares. Os ecossistemas existentes de análise de ST incluem principalmente Seurat, Giotto e estruturas baseadas em Python, como o Squidpy6,7,12. Embora ferramentas baseadas em Python, como o Squidpy, ofereçam funcionalidades extensas para análise de grafos espaciais, consolidar o principal fluxo computacional dentro de um único ambiente de linguagem de programação minimiza dificuldades técnicas entre linguagens. Consequentemente, o fluxo principal é implementado principalmente em R para reduzir essas dificuldades técnicas entre linguagens. Neste fluxo de trabalho baseado em R, o Seurat é utilizado para carregamento de dados, controle de qualidade, normalização, redução de dimensionalidade, visualização e integração de múltiplas amostras, refletindo seu uso comum em fluxos de trabalho de transcriptômica única de célula e espacial. O Giotto é então usado para a construção da rede espacial e para a análise de comunicação célula a célula baseada em ligante-receptor. Assim, este fluxo de trabalho conecta o pré-processamento e integração baseados no Seurat à análise espacial baseada no Giotto, mantendo explícita e reprodutível a transferência de dados entre os dois conjuntos de ferramentas.
Dentro desse enfoque, duas estratégias complementares de desconvolução são implementadas: SPOTlight, um método orientado por referência que utiliza dados de scRNA-seq para estimar as proporções de tipos celulares, e STdeconvolve, um método não supervisionado baseado em modelagem de tópicos que identifica padrões transcricionais latentes8,11. Os resultados fornecem visões complementares da heterogeneidade celular espacial, mas não são tratados como uma validação cruzada quantitativa, a menos que os usuários realizem a análise opcional de concordância descrita no protocolo. Uma aplicação personalizada em Python Dash, Select Spatial Spots, é integrada para anotação interativa de regiões de interesse (ROI) e exporta arquivos de anotação baseados em coordenadas padrão que podem ser utilizados em análises downstream subsequentes.
Quanto à aplicabilidade prática, este fluxo de trabalho destina-se principalmente a dados de ST baseados em matrizes padrão (por exemplo, Visium com resolução de 55 µm) e pode ser adaptado a outros tipos de tecidos após avaliação dos parâmetros. Limitações importantes devem ser consideradas antes da análise. Primeiro, o módulo de desconvolução orientado por referência depende de uma referência de scRNA-seq de alta qualidade e correspondente ao tecido. Segundo, plataformas subcelulares ou próximas da resolução unicelular podem exigir pré-processamento modificado, agregação espacial de bins ou segmentação celular baseada em imagem antes da integração2. O conjunto de dados representativo do cólon de camundongo é utilizado como um caso de demonstração para mostrar como o fluxo de trabalho pode avaliar domínios espaciais e a organização tecidual definida por marcadores, e não como evidência de compatibilidade universal da plataforma.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Protocolo
Todos os conjuntos de dados biológicos analisados neste protocolo estão publicamente disponíveis e são usados estritamente para fins de demonstração. Os acessos específicos aos dados e os repositórios de origem são fornecidos nos passos relevantes. Os conjuntos de dados originais foram gerados pelos pesquisadores responsáveis, em conformidade com as diretrizes éticas institucionais aplicáveis a cada estudo de origem. Consulte a Tabela de Materiais para verificar todas as versões necessárias de softwares e pacotes R.
Requisitos de hardware: A memória computacional necessária para este fluxo de trabalho aumenta conforme o número de amostras e pontos analisados. Para um conjunto de dados típico de transcriptômica espacial (por exemplo, aproximadamente 3.000 pontos por amostra em até três amostras), uma estação de trabalho padrão com no mínimo 16 GB de RAM é suficiente para executar o pipeline. No entanto, recomenda-se fortemente 32 GB de RAM ou mais para garantir desempenho e estabilidade ideais, especialmente durante etapas computacionais que exigem alto uso de memória, como a normalização SCTransform e a fatoração de matrizes durante a desconvolução.
1. Aquisição de dados e preparação da estrutura de diretórios
- Obtenha conjuntos de dados públicos de transcriptômica espacial (por exemplo, acesso GEO GSE169749, com data de submissão em 26 de março de 2021 e última atualização em 6 de março de 2022) e dados de referência de RNA-seq de célula única (por exemplo, acesso GEO GSE264408, com data de submissão em 19 de abril de 2024 e última atualização em 10 de dezembro de 2024).
- Baixe o arquivo de dados brutos (por exemplo, GSE169749_RAW.tar) do repositório e extraia o arquivo.
OBSERVAÇÃO: Para o conjunto de dados representativo utilizado neste protocolo, o diretório extraído contém múltiplos arquivos para cada amostra, cujos nomes de arquivo geralmente incorporam o acesso da amostra ao GEO (por exemplo, GSM5213483). - Organize os arquivos em uma estrutura de diretórios padronizada compatível com o Seurat Load10X_Espacial função.
- Crie um diretório principal de dados (por exemplo, ./data/).
- Crie um subdiretório dedicado para cada amostra (por exemplo, ./data/sample_A1/).
- Transfira (copie ou mova) os seguintes arquivos essenciais para cada amostra para o subdiretório respectivo.
- Coloque o filtered_feature_bc_matrix.h5 arquivo no subdiretório principal da amostra.
- Crie um espacial/ subpasta dentro de cada diretório de amostra.
- Coloque os seguintes arquivos na espacial/ subpasta: tissue_positions_list.csv.gz, scalefactors_json.json.gz e tissue_hires_image.png.gz.
- Descomprima o .gz arquivos na espacial/ pasta. Certifique-se de que os nomes originais dos arquivos permaneçam exatamente conforme exigido pelo Load10X_Espacial função (por exemplo, tissue_positions_list.csv).
OBSERVAÇÃO: A estrutura final e organizada para o carregamento contínuo deve seguir este padrão, usando a amostra A1 como exemplo:
./data/amostra_A1/matriz_bc_caracteristica_filtrada.h5
./data/sample_A1/spatial/tissue_positions_list.csv
./data/amostra_A1/espacial/fatores_de_escala_json.json
./data/sample_A1/spatial/tissue_hires_image.png
2. Configuração do ambiente de software
- Instale o R (versão 4.4.3 ou superior).
- Obtenha os scripts de análise (1_ReadSpatialData.R até 8_Giotto_Communication.R) do repositório GitHub (https://github.com/LeafLight/SpatialTranscriptomicsWorkFlow, no commit hash 2d85e18 para fins de reprodutibilidade).
- Instale os pacotes de R necessários do CRAN e do Bioconductor executando o script setup.R.
OBSERVAÇÃO: Uma lista abrangente das versões específicas dos pacotes utilizadas neste fluxo de trabalho é fornecida no Tabela de Materiais e também está disponível no session_info.txt arquivo dentro do repositório GitHub associado (https://github.com/LeafLight/SpatialTranscriptomicsWorkFlow). - Instalar Giotto Suite executando os comandos de instalação fornecidos na documentação oficial.
- Navegue até a URL oficial de instalação para recuperar os scripts de configuração: https://giottosuite.com/articles/installation.html
- Inicialize o ambiente Python necessário e as dependências do sistema de acordo com as instruções passo a passo.
- Instale pacotes adicionais para visualização aprimorada.
- Executar: install.packages(c("ggprism", "daltonismo"))
- Instale o personalizado Selecionar Pontos Espaciais ferramenta. Certifique-se de que o sistema operacional seja Windows, macOS ou Linux, e que a versão do Python instalada seja 3.8 ou superior. Este passo é opcional.
- Obtenha a ferramenta acessando o repositório no GitHub (https://github.com/LeafLight/SelectSpatialSpots, no commit de hash d20946e para fins de reprodutibilidade) e baixando o código-fonte.
- Navegue até o diretório da ferramenta e instale as dependências do Python: pip install -r requirements.txt
- Instale o glmGamPoi pacote ao executar BiocManager::install("glmGamPoi") para acelerar o SCTransform normalização.
OBSERVAÇÃO: O fluxo de trabalho principal requer apenas os pacotes listados nas etapas 2.1–2.3 e 2.6. O pacote Rfast2 é utilizado para acelerar o cálculo da estatística de Moran's I. Os pacotes opcionais na etapa 2.5 são para gerar gráficos prontos para publicação com um tema no estilo prism (ggprism) e para acessar uma paleta de cores adequada para pessoas com daltonismo (colorBlindness). A ferramenta na etapa 2.6 habilita a funcionalidade de seleção interativa de pontos. Execute o comando sessionInfo() e salve a saída completa do console em um arquivo de texto. Isso documenta as versões exatas dos softwares e as dependências dos pacotes, o que é essencial para garantir a reprodutibilidade a longo prazo.
3. Carregamento dos dados espaciais e controle de qualidade (1_ReadSpatialData.R, 2_SpatialDataQC.R)
- Leia os dados espaciais em objetos Seurat.
- Utilize Read10X_Imagem para carregar manualmente a imagem de tecido de alta resolução, especificando o image.dir e image.name
- Uso Load10X_Espacial com o imagem parâmetro definido para o objeto de imagem criado na etapa 3.1.1 para criar o objeto Seurat.
- Calcular métricas de controle de qualidade.
- Calcule a porcentagem de leituras mitocondriais utilizando Conjunto de Recursos Percentual com o padrão ^mt-.
- Visualize e interprete os dados com base nas métricas de controle de qualidade.
- Gerar gráficos de violino de nContagem_Espacial, nFeature_Espacial, e percent.mt usando VlnPlot.
- Crie gráficos espaciais dessas métricas utilizando SpatialFeaturePlot para identificar pontos fora da área do tecido.
OBSERVAÇÃO: Ponto de verificação visual: Pontos fora da área do tecido normalmente exibem contagens baixas de UMI (nContagem_Espacial < 500) e baixa detecção gênica (nFeature_Espacial < 200) - Para fins de demonstração, aplique filtros para remover pontos de baixa qualidade (por exemplo, subset(seurat_obj, subset = nFeature_Spatial > 200 & nCount_Spatial > 500)). Este é um passo opcional.
OBSERVAÇÃO: O objetivo principal do controle de qualidade (QC) em transcriptômica espacial é identificar e anotar artefatos técnicos, como spots fora do tecido. Para os dados de cólon Visium utilizados na demonstração, nFeature_Spatial > 200 e nCount_Spatial > 500 remove pontos de baixa complexidade/ruído de fundo. Para tecidos com baixo conteúdo de RNA ou seções degradadas, inspecione os gráficos de violino e de características espaciais antes de aumentar os limiares; para tecidos densos ou com alto número de UMI, limiares mais rigorosos podem ser apropriados. Evite filtrar exclusivamente com base em altos valores de expressão, a menos que haja presença de dupletos, dobras no tecido ou artefatos evidentes. O filtro geralmente não é recomendado, pois remove fisicamente localizações espaciais, o que pode comprometer a continuidade da estrutura tecidual em análises espaciais subsequentes.
4. Pré-processamento, integração e agrupamento de dados (3_IntegrationAndClustering.R)
- Normalizar e pré-processar amostras individuais.
- Aplicar a normalização SCTransform a cada amostra separadamente com assay = Spatial.
- Integrar múltiplas amostras.
- Preparar a lista de objetos normalizados por SCT para integração. Garantir que cada objeto tenha um assay "RNA" copiando o assay "Spatial": spatial_list[[1]][["RNA"]] <- spatial_list[[1]][["Spatial"]]
NOTA: Copiar o assay "Spatial" para um slot padrão de assay "RNA" constitui uma solução necessária para garantir compatibilidade com funções de integração downstream originalmente projetadas para objetos Seurat de célula única. - Utilizar SelectIntegrationFeatures e PrepSCTIntegration para identificar características variáveis compartilhadas.
- Encontrar âncoras de integração usando FindIntegrationAnchors com normalization.method = "SCT".
- Integrar os dados usando IntegrateData com normalization.method = "SCT".
- Preparar a lista de objetos normalizados por SCT para integração. Garantir que cada objeto tenha um assay "RNA" copiando o assay "Spatial": spatial_list[[1]][["RNA"]] <- spatial_list[[1]][["Spatial"]]
- Realizar redução de dimensionalidade e agrupamento no assay integrado.
- Executar PCA nos dados integrados usando RunPCA.
- Determinar o número ótimo de componentes principais (PCs) para análise downstream calculando a variância acumulada explicada. Identificar o ponto de cotovelo de forma programática (por exemplo, o ponto em que a variância acumulada excede 90% e o ganho marginal cai abaixo de 0,1%), utilizando o código em 3_IntegrationAndClustering.R, linhas 36-38. O número resultante de PCs será aqui referido como pc.use.
- Executar RunUMAP com dims = 1:pc.use.
- Agrupar as células usando FindNeighbors com dims = 1:pc.use e FindClusters com resolution = 0,5. Ajustar a resolução somente após inspecionar a estabilidade dos agrupamentos e a coerência dos genes marcadores.
- Realizar análise de expressão diferencial entre grupos-alvo (por exemplo, "B1_colon_d14" versus "A1_colon_d0") usando a função FindMarkers.
NOTA: Ponto de verificação visual: uma integração bem-sucedida exibirá mistura apropriada das amostras no gráfico UMAP, mantendo ao mesmo tempo agrupamentos biologicamente distintos.
- Identificar genes espacialmente variáveis.
- Para cada amostra original, executar FindSpatiallyVariableFeatures utilizando o método "moransi" no assay "SCT" para calcular a autocorrelação espacial.
5. Pré-processamento de dados de referência de célula única (4_scDataPreProcessing.R)
- Leia a matriz de contagem de RNA-seq de célula única usando Read10X e crie um objeto Seurat.
- Realize controle de qualidade, normalização e agrupamento padrão.
- Calcule a porcentagem de leituras mitocondriais (percent.mt) e filtre as células (por exemplo, nFeature_RNA > 200 & nFeature_RNA < 7500 & percent.mt < 25).
- Normalize os dados usando SCTransform, definindo vars.to.regress = "percent.mt".
- Execute PCA, UMAP e agrupe as células usando o método dinâmico de seleção de componentes principais descrito na etapa 4.3.2.
- Realize a anotação dos tipos celulares.
- Calcule os escores de módulo para genes marcadores canônicos de tipos celulares usando AddModuleScore.
- Anote os agrupamentos com base nos escores de módulo e na biologia conhecida. Alternativamente, importe anotações pré-computadas dos metadados.
6. Desconvolução Guiada por Referência com SPOTlight (5_SPOTlight_Deconv.R)
- Preparar os dados para o SPOTlight.
- Converter o objeto Seurat de célula única anotado e o objeto Seurat espacial em objetos SingleCellExperiment.
- Normalizar os dados de célula única por log utilizando logNormCounts.
- Executar a desconvolução SPOTlight.
- Identificar genes hipervariáveis (HVGs) nos dados de célula única utilizando modelGeneVar e getTopHVGs.
- Calcular os genes marcadores de tipo celular usando scoreMarkers e filtrar por marcadores de alta qualidade (por exemplo, média.AUC > 0,8).
- Reduzir a amostragem da referência de célula única para cada tipo celular a um número gerenciável (por exemplo, 50 células) para diminuir o tempo computacional.
- Executar a desconvolução utilizando a função SPOTlight com weight_id = "média.AUC", group_id = "cluster" e gene_id = "gene".
- Visualizar e exportar os resultados.
- Extrair a matriz resultante da desconvolução (proporções de tipos celulares por ponto).
- Utilizar plotSpatialScatterpie para visualizar a composição celular nas coordenadas espaciais.
- Adicionar os resultados da desconvolução aos metadados do objeto Seurat espacial usando AddMetaData. Resultado esperado: uma matriz de desconvolução com colunas de proporção de tipos celulares para cada ponto espacial, gráficos scatterpie espaciais mostrando a composição celular local e um objeto Seurat contendo as proporções de desconvolução como metadados.
7. Desconvolução independente de referência com STdeconvolve (7_STdeconvolve.R)
- Prepare os dados espaciais.
- Extraia a matriz de contagem bruta do objeto espacial Seurat utilizando GetAssayData com slot = "contagens".
- Remova spots e genes de baixa qualidade utilizando cleanCounts de STdeconvolve (por exemplo, min.lib.size = 100).
- Identificar os tipos celulares latentes.
- Filtrar ainda mais o conjunto de dados para genes expressos em uma fração mínima de pontos usando restringirCorpus por exemplo, removerAcima=1,0, removeBelow = 0,05).
- Ajuste um modelo de Alocação Latente de Dirichlet (LDA) em uma variedade de números potenciais de tópicos (K) (por exemplo, Ks = seq(2, 9, por = 1)) utilizando fitLDA.
- Selecione o modelo ideal com base na perplexidade mínima utilizando modelo ideal com opt = "min".
- Analisar e visualizar os resultados.
- Extraia as proporções de tipos celulares (tópico) (theta) e os perfis gênicos (beta) do modelo ótimo utilizando getBetaTheta.
- Para auxiliar na interpretação biológica dos tópicos desconvolutados, importe anotações de regiões de interesse (ROI) geradas pelo "Selecionar Pontos Espaciais" ferramenta (ver etapa 9.3.3). Utilize essas anotações como o parâmetro grupos no vizTodosTópicos função para projetar as proporções de tipos celulares desconvolutas de volta nas coordenadas espaciais e codificar por cores os pontos conforme sua ROI. Este é um passo opcional.
OBSERVAÇÃO: A saída esperada é que o STdeconvolve retorne valores de theta representando as proporções de tópicos por ponto e valores de beta representando os perfis gênicos para cada tópico. Caso os usuários desejem comparar quantitativamente os resultados não supervisionados do STdeconvolve com as saídas orientadas por referência do SPOTlight (do Passo 6), eles podem exportar ambas as matrizes de proporção (theta do STdeconvolve e a matriz do SPOTlight) e calcular métricas de correlação ou concordância por ponto (por exemplo, correlação de Pearson ou de Spearman) utilizando funções padrão do R. A comparação quantitativa entre SPOTlight e STdeconvolve é opcional e não é necessária para a execução do fluxo de trabalho principal; contudo, as matrizes de saída relevantes estão disponíveis nos Passos 6.3.1 e 7.3.1 para usuários que desejem realizar tal análise.
8. Comunicação espacial entre células usando o Giotto(8_Giotto_Communication.R)
- Converter o objeto Seurat em um objeto Giotto.
- Utilize a função createGiottoObject, fornecendo a matriz de contagens brutas e as coordenadas espaciais.
- Pré-processar o objeto Giotto e adicionar os resultados da desconvolução.
- Normalize os dados utilizando normalizeGiotto.
- Adicione as anotações de tipos celulares (por exemplo, o tipo celular principal obtido pela desconvolução SPOTlight) aos metadados celulares usando addCellMetadata.
- Inferir comunicação célula-célula informada espacialmente.
- Crie uma rede espacial utilizando createSpatialNetwork com method = "Delaunay" e name = "Delaunay_network".
- Carregue uma base de dados de ligante-receptor no ambiente R. Certifique-se de que o objeto carregado esteja formatado como um quadro de dados com duas colunas distintas representando os símbolos gênicos do ligante e do receptor (por exemplo, uma rede de camundongo pré-compilada do Zenodo: https://zenodo.org/api/records/15168114/files/lr_network_mouse.csv/content, versão v6, publicada em 7 de abril de 2025).
- Execute exprCellCellcom com cluster_column = "celltype_major" para identificar interações significativas de ligante-receptor entre tipos celulares que estão em proximidade espacial. Resultado esperado: uma tabela contendo pares de ligante-receptor, combinações de tipos celulares fonte e alvo, valores de log2 de mudança de razão e valores de P ajustados; mantenha as interações significativas (por exemplo, p.adj < 0,05) para visualização.
9. Seleção interativa de pontos com seleção de pontos espaciais (6_SelectSpatialSpots.R)
- Preparar os dados para a ferramenta interativa.
- Extrair as coordenadas espaciais do objeto Seurat utilizando GetTissueCoordinates.
- Formatar e exportar os dados.
- Formatar o quadro de dados de coordenadas para conter exatamente os cabeçalhos das colunas: CELL_ID, X e Y.
- Exportar o quadro de dados formatado para um arquivo CSV.
- Realizar a análise de região de interesse (ROI).
- Iniciar a aplicação personalizada Select Spatial Spots no Dash e carregar o arquivo CSV.
- Selecionar interativamente os pontos com base na localização espacial.
- Exportar a lista de pontos selecionados e seus rótulos de grupo/ROI atribuídos como um novo arquivo CSV. Resultado esperado: um arquivo CSV com identificadores de pontos, coordenadas X/Y e rótulos de grupo/ROI atribuídos que podem ser associados novamente ao objeto Seurat por meio de CELL_ID.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
Implementação do fluxo de trabalho e integração de dados ilustram as principais características dos tecidos
O fluxo de trabalho computacional foi aplicado a dados de transcriptômica espacial de cólon de camundongo para ilustrar as saídas esperadas em cada estágio analítico. Conforme representado no esquema do fluxo de trabalho (Figura 1), o processo iniciou-se com a aquisição de dados e controle de qualidade, em que os gráficos espaciais de caract...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Discussão
Este protocolo fornece um fluxo de trabalho computacional abrangente para análise de dados de transcriptômica espacial, equilibrando profundidade analítica com acessibilidade prática. A abordagem passo a passo orienta pesquisadores ao longo do pipeline analítico completo, desde a aquisição inicial dos dados até análises espaciais avançadas, enfatizando pontos críticos de decisão e armadilhas potenciais.
Várias etapas do protocolo merecem atenção especial devido ao seu impacto nos resultados su...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
Os autores declaram não haver interesses financeiros concorrentes.
Agradecimentos
Os autores agradecem aos desenvolvedores e mantenedores dos pacotes Seurat, Giotto e SPOTlight pelo suporte e documentação. Agradecem também, com gratidão, as contribuições dos repositórios públicos de dados e dos pesquisadores que generosamente compartilharam seus conjuntos de dados.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| ggplot2 | Posit Software, PBC | v4.0.0(CRAN) | Visualização avançada de dados |
| Giotto | Dries Lab | v4.2.2 (GitHub) | Análise espacial de redes e comunicação entre células |
| patchwork | Thomas Lin Pedersen | v1.3.2 (CRAN) | Composição e organização de gráficos |
| R software | R Foundation for Statistical Computing | v4.4.3 | Ambiente principal de execução (macOS aarch64) |
| scater | Davis McCarthy et al. | v1.34.1 (Bioconductor) | Controle de qualidade e visualização em nível de célula única |
| scran | Aaron Lun et al. | v1.34.0 (Bioconductor) | Modelagem de variância em células únicas e detecção de marcadores |
| Select Spatial Spots (Ferramenta Python personalizada) | LeafLight | v1.0.0 (GitHub) | Seleção interativa de regiões de interesse espaciais (ROI) (https://github.com/LeafLight/SelectSpatialSpots) |
| Seurat | Satija Lab | v5.3.0 (CRAN) | Pré-processamento, integração e agrupamento de dados espaciais |
| SeuratObject | Satija Lab | v5.2.0 (CRAN) | Estruturas de dados para dados de célula única e espaciais |
| SingleCellExperiment | Equipe Núcleo do Bioconductor | v1.28.1 (Bioconductor) | Contêiner padronizado para scRNA-seq |
| SPOTlight | Marc Elosua-Bayes et al. | v1.10.0 (Bioconductor) | Desconvolução espacial guiada por referência |
| Stdeconvolve | Laboratório de Jean Fan | v1.3.2 (Bioconductor) | Modelagem latente não supervisionada por tópicos |
| tidyverse | Posit Software, PBC | v2.0.0 (CRAN) | Suporte principal para manipulação e formatação de dados |
Referências
- 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.
- 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.
- Danishuddin, Khan S, Kim JJ. Spatial transcriptomics data and analytical methods: An updated perspective. Drug Discovery Today. 2024;29(3):103889.
- 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
- 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.
- 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
- 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.
- 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.
- 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.
- 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
- 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.
- Palla G, Spitzer H, Klein M, et al. Squidpy: A scalable framework for spatial omics analysis. Nat Methods. 2022;19(2):171-178.
- Luecken MD, Büttner M, Chaichoompu K, et al. Benchmarking atlas-level data integration in single-cell genomics. Nat Methods. 2022;19(1):41-50.
- 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.
- 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.
- Sun S, Zhu J, Zhou X. Statistical analysis of spatial expression patterns for spatially resolved transcriptomic studies. Nat Methods. 2020;17(2):193-200.
- 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.
- 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.
- Wang Q, Zhu H, Deng L, et al. Spatial transcriptomics: Biotechnologies, computational tools, and neuroscience applications. Small Methods. 2025;9(5):2401107.
- 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.
- 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.
- 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.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Reimpressões e permissões
