前幾期，小編已經分享過單細胞與空間轉錄組聯合應用于骨髓造血微環境的文章咯。（感興趣的小伙伴，可以補課哦~）

本期，小編將重點介紹一下烈冰生物針對人類樣本的空間轉錄組數據的分析策略。烈冰生物單細胞轉錄組測序與空間轉錄組測序聯合分析流程也正在最后的優化測試階段，即將與大家見面，敬請期待！

（趕緊關注我們吧，方便下次訂閱～）

首先，給大家分享一篇2020年1月13日發表于《Nature Biotechnology》的高分文章：Integrating microarray-based spatial tranomics and single-cell RNA-seq reveals tissue architecture in pancreatic ductal adenocarcinomas。

該研究聯合利用空間轉錄組分析和scRNA-seq兩種技術，通過引用多模式相交分析（MIA）確定兩種技術中的特異性基因顯著重疊，來推斷組織空間受限區域中特定細胞類型的富集，并成功的將scRNA-seq的結果進行空間定位，從而發現亞群的差異化定位使它們在組織中發揮獨特的作用。

圖1 PDAC患者的空間轉錄組分析結果

a-b主要描述了2例PDAC患者的冰凍切片，并且與組織學注釋映射的結果。c-d為特征性基因的表達情況，e-f為聚類分析結果。

空間轉錄組測序可以幫助研究者在空間背景下繪制細胞類型、細胞亞群，甚至細胞狀態，這對于癌癥發病機制、神經科學、發育生物學等眾多領域的研究都有重要意義。

看完高分文章中的空間轉錄組分析，是不是迫切的想知道我們能不能得到這樣的結果呢？還能夠再做哪些分析呢？

下面跟著小編一起來看看烈冰生物對于人類樣本的空間轉錄組數據的分析策略吧！

烈冰針對每個樣本的空間轉錄組測序數據，通過上述完整的數據分析流程，對所有檢測到的細胞進行分群，并鑒定細胞類型，可以在不同分組間從細胞類型的組成和豐度角度進行比較。

具體分析結果展示如下：

1.點陣判斷

針對質控后clean data中的cell barcode信息及其對應的counts數進行統計（圖1左），判斷測序樣本中實際檢測到的點陣數（圖1右），獲得真實的空間轉錄組測序信息。

圖1 點陣判斷后的結果示例

2.空間點陣聚類與亞群分析

圖2 空間點陣聚類的UMAP圖（左）和t-SNE圖（右）

以基因組比對后結果以及表達量結矩陣進行細胞的降維和聚類，將空間點陣分為不同的Cluster聚類簇，圖2分別展示了采用UMAP算法和tSNE算法對cluster聚類后，在空間染色片上進行染色的結果。

3. 點陣Cluster聚類簇Marker分析

該圖主要描繪了與組織空間位置相關的分子特征，可視化的展現方式，可以更加直觀的了解Marker基因在空間上的差異表達情況。

4.解剖區域細分

空間轉錄組數據分析同樣的也可以對感興趣的局部解剖區域進行細分，根據每個點陣中的表達量數據對指定的解剖區域（臨近切片或者當前切片）進行結果展示，包括基因區域的集中展示。

5. 信號通路Scoring分析

該圖展示的是針對每一個點陣的信號通路、代謝通路調控強度的打分結果。 信號通路的空間定位信息，可以一定程度上助力研究信號通路在空間上傳遞的動態性。

6. 細胞通訊分析

通過對點陣群體與群體之間的通訊關系進行解析可以得到跨區域的關聯性。下圖即為空間轉錄組的細胞通訊分析結果示意圖，可以清晰地判斷群體之間的相互作用關系以及作用強度。

掃描下方二維碼，關注公眾號“烈冰生物”，獲取更多空間轉錄組資料。