10X空间转录组数据分析之细胞类型临近趋势

hello，大家好，又是新的一周，时间很快，猝不及防，虽然我很有意识的珍惜时间，但是时间却从不为我多停留一秒，一步步走来，除了留下的印记，就是做好当下的自己

曾经的自己也做到了很多的不可能，虽然仍然没有十足的自信，但早已不是当初的自己，一段台词说的好，不要让别人告诉你,你不能做什么。只要有梦想,就要去追求。那些做不到的人总要告诉你,你也不行。想要什么就得去努力,去追求。

今天分享一个空间转录组的分析内容，空间位置上的细胞类型临近趋势，这是一个对空间有序性的衡量指标，包含两部分，一是相同的细胞类型在空间上的临近趋势，二是不同细胞类型的空间临近趋势，大家可以参考我之前的文章10X空间转录组数据分析之同型分数（细胞网络）和异型分数（临近网络）计算，今天要更新这个内容。

为了系统地确定细胞组织的结构，需要计算了每个细胞类别中spot彼此相邻的倾向，这里称为同型聚类分数（homotypic cluster score），算法如下：

图片.png

为了评估每个class（这里就是细胞类型）中spot的空间聚类程度，使用 STUtility 中的 GetSpatNet 函数应用了一种网络方法。计算网络中每个点 i 的spot degree--- k_i（即直接相邻spot的数量，对于 Visium 对应的最大spot degree为 6），然后将网络的平均度 kobs 计算为

\overline{\text{k}}

= 2L/N，其中 L 和 N 分别对应于网络中边和节点（点）的总数。为了考虑网络大小的差异，计算了随机网络的平均度数，其中spot的分类在每个样本中都被打乱了。该过程重复 50 次以获得“预期”average degree。根据每个样本中的网络大小，平均值计算为

图片.png

where N is the number of permutations.A final score

\overline{\text{k}}

_$δ$,之后被计算为观察到的平均度数和预期的平均度数之间的差异，因此可以得知观察到的值在多大程度上超出了预期偶然看到的值。

图片.png

为了确定不同细胞类别之间的空间关系，还必须计算成对的异型邻域分析。

图片.png

为了量化与每个spot相邻的相邻类标识，应用了 STUtility 的 RegionNeighbors 函数。 之后发现一个class的spot与另一个class标识相邻的次数被总结在邻接矩阵 Aobs 中，维度为 N X N，其中 N 等于唯一class的总数。 矩阵中的对角线填充了与该类对应的邻居总数的信息。由于大类往往有更多的邻居只是偶然的，通过计算分数并将其与预期随机看到的内容进行比较来纠正类邻居的数量。 “预期”值是通过对每个样本中的点类身份进行shuffling，然后构建邻接矩阵 A_exp 来生成的。然后对该过程进行总共 50 次排列的迭代，并计算迭代过程中矩阵中每个位置的平均值和标准偏差，以分别生成矩阵 A^μ_exp 和 A^δ_exp。最终，矩阵中每个位置的 z 分数计算为 AZ = (Aobs - A^μ_exp) / A^δ_exp，其中正值被解释为比偶然预期更频繁地观察到 x 标准偏差的class-class relationships，反之亦然。

图片.png

最后简单总结一下，对于同型细胞网络分数，就是2*边的数量（邻域含有相同的细胞类型）/点的数量（含有该类型的spot的数量），对于异型细胞网络，稍微复杂，需要构建一个邻域矩阵，对角线的数量就是该spot的邻居数量，再通过算法来衡量两种细胞类型的临近趋势。

生活很好，有你更好

最后编辑于：2022.04.11 15:55:43

禁止转载，如需转载请通过简信或评论联系作者。