作者，Evil Genius
果然粉丝很多都是硕士博士高学历人才，真的是糊弄不了一点，Seurat V5 整合没封装，都被人说，云飞你敷衍了啊~~~
今天我们继续分享关于空间转录组的内容，我们今天的课题是空间转录组降噪，之前分享过一个方法，SpotClean，文章在
10X空间转录组去污染分析之SpotClean
原发性和转移性胰腺癌的空间转录组学解析肿瘤微环境异质性
课前准备----10X HD数据基础分析
空间系列课程上也讲过，在第七课：空间转录组联合分析与形态学识别
空转第十一课空间污染spotclean和生态位基因模块banksy
今日参考文献
知识积累
- 空间分辨转录组学（SRT）将基因表达谱与细胞在自然状态下的物理位置相结合，但由于细胞在冷冻切片和暴露于染色试剂和mRNA释放过程中受到不可预测的空间噪声的影响。
- 空间分辨转录组学（SRT）技术将高通量基因测序与组织学技术相结合，提供空间背景下的基因表达数据
- 理想情况下，在特定位置的每个测序unit（在不同技术中称为bin或spot）应该专门捕获原位细胞释放的转录本。然而，SRT也可能由于在液体实验环境中的随机扩散而捕获非原位转录本。这种扩散在SRT数据中引入了复杂的噪声，超出了单细胞RNA测序（scRNA-seq）中常见的dropout现象。
- 造成SRT数据噪声的主要因素有三个
1、在组织冷冻切片后，将冷冻切片贴在空间转录组学芯片表面进行渗透。尽管这些芯片捕获细胞释放的mRNA，但不完全的细胞通透性会阻碍细胞下方的芯片点捕获mRNA，导致这些点上方的mRNA随机漂移。相反，过度的细胞通透性导致大量释放的mRNA，这些mRNA可以被相邻的spot捕获。此外，由于细胞渗透发生在液体环境中，mRNA漂移是一个随机事件，因为热运动和不可预测的分子运动。
2、在RNA-seq的逆转录和扩增过程中，转录物扩散可能发生。RNA与逆转录酶之间形成复合体可能导致部分RNA损伤或渗漏。在cDNA合成过程中，不适当的结合或反应条件可诱导RNA通过引物扩散。
3、在SRT数据处理过程中，不适当的算法、参数或质量控制标准会增加假阳性噪声。此外，组织和背景之间的转录本交换在SpotClean中得到了广泛的研究。
空间排污方法，旨在通过统计方法模拟SRT数据中的转录物扩散模式，并修改原始UMI计数。
分析目标：建议将SRT数据中具有明显空间聚集性的基因分类为有效信号（“有效”基因），将具有高扩散水平的基因分类为噪声（“无效”基因）。为了减轻转录物扩散噪声的影响，我们通过排除高扩散水平的无效基因来增强有效基因。
结果1、SRT数据包含妨碍下游分析的噪声
转录物扩散噪声在SRT数据中普遍存在（Stereo-seq和10x Visium）。
- SRT数据存在广泛的扩散，导致该基因原有的空间特异性丧失，无法对细胞聚集或细胞类型注释做出合理的判断。
在进行下游生物信息学分析之前，对SRT数据进行有效的去噪是必不可少的。
结果2、SpotGF对SRT数据去噪
利用最优运输（OT）算法定量评估基因扩散模式，从而过滤掉扩散的基因并减少噪声影响。
SpotGF在过滤无效基因中起着关键作用，这些无效基因具有跨组织区域广泛且均匀表达的特点，不利于细胞聚类、细胞类型注释和差异表达基因（DEGs）鉴定等关键任务。与依赖于数学统计模型的传统去噪算法不同，SpotGF保留了原始测序数据中有效基因的UMI计数，而无需修改，并专注于过滤掉阻碍下游分析的无效基因。
10X和华大数据的分析表现
结果3、SpotGF有效滤除SRT数据中的扩散基因（大豆根系的Stereo-seq数据）
结果4、SpotGF增强了在SRT数据中识别上调基因的准确性
结果5、SpotGF促进细胞聚类和细胞类型推断（10X Visium兰花数据）
结果6、SpotGF提高了人类结直肠癌肿瘤细胞识别的准确性
SRT技术提供了一个独特的机会，将病理图像与基因表达数据相结合，增强肿瘤诊断和实现精确治疗。
SpotGF增加了上调基因的特异性，提高了识别肿瘤细胞的准确性，促进了肿瘤细胞中潜在标记基因的发现。
SRT数据解决生物学问题已经取得了很大的势头，但SRT数据的质量问题必须得到更多的关注。SpotGF去噪算法是专门为SRT数据量身定制的，是处理流程中至关重要的第一步。
示例代码
conda安装
conda create --name GF
conda activate GF
# conda config --add channels conda-forge ##If you do not have this channel added before#
conda install python=3.7 pandas pot=0.8.2 numpy scipy matplotlib descartes
#Then, download this repo and install it.
git clone [repo_path]
cd [path/to/GeneFilter-main]
pip install .
运用方法
import GeneFilter as GF
gem_path = '../arbi-image1-cellbin.gem'
binsize = 5
proportion = 0.6
auto_threshold = True
GF = GF.GeneFilter(gem_path,binsize,proportion,auto_threshold,lower,upper,max_iterations) #initial class
GF_df = GF.calculate_GFscore(gem_path,binsize)#acquire GF socres distribution figure to help choose proportion parameter
new_gem = GF.generate_GFgem(gem_path,GF_df,proportion,auto_threshold ) #denoised SRT data