SpaceXR 开源项目使用教程

SpaceXR 开源项目使用教程

spacexr Spatial-eXpression-R: Cell type identification (including cell type mixtures) and cell type-specific differential expression for spatial transcriptomics 项目地址: https://gitcode.com/gh_mirrors/sp/spacexr

1、项目介绍

SpaceXR 是一个用于空间转录组学数据分析的开源项目，主要功能包括细胞类型识别（包括细胞类型混合）和细胞类型特异性差异表达分析。该项目由 Dylan Cable 开发，基于 GPL-3.0 许可证发布。SpaceXR 提供了 RCTD（细胞类型识别）和 C-SIDE（细胞类型特异性差异表达）两种主要方法，适用于多种空间转录组学技术，如 Slide-seq、Visium 和 MERFISH。

2、项目快速启动

安装

首先，确保你已经安装了 R 语言环境。然后，使用以下命令安装 SpaceXR 包：

install.packages("devtools")
devtools::install_github("dmcable/spacexr")

快速使用

以下是一个简单的示例，展示如何使用 RCTD 进行细胞类型识别：

library(spacexr)

# 加载示例数据
data("example_data")

# 初始化 RCTD 对象
rctd <- create.RCTD(spatial_data, sc_data, cell_types)

# 运行 RCTD
rctd <- run.RCTD(rctd)

# 查看结果
results <- rctd@results
print(results)

3、应用案例和最佳实践

应用案例 1：Slide-seq 数据分析

在 Slide-seq 数据中，RCTD 的双峰模式（doublet mode）被推荐用于高空间分辨率数据的细胞类型识别。以下是一个示例代码：

# 加载 Slide-seq 数据
data("slide_seq_data")

# 初始化 RCTD 对象
rctd <- create.RCTD(slide_seq_data, sc_data, cell_types)

# 运行 RCTD 的双峰模式
rctd <- run.RCTD(rctd, mode = "doublet")

# 查看结果
results <- rctd@results
print(results)

应用案例 2：Visium 数据分析

对于 Visium 数据，RCTD 的全模式（full mode）适用于低空间分辨率数据的细胞类型识别。以下是一个示例代码：

# 加载 Visium 数据
data("visium_data")

# 初始化 RCTD 对象
rctd <- create.RCTD(visium_data, sc_data, cell_types)

# 运行 RCTD 的全模式
rctd <- run.RCTD(rctd, mode = "full")

# 查看结果
results <- rctd@results
print(results)

最佳实践

• 数据预处理：在使用 RCTD 和 C-SIDE 之前，确保数据已经过适当的预处理，包括归一化和批次效应校正。
• 参数调优：根据具体的数据类型和分析需求，调整 RCTD 和 C-SIDE 的参数，以获得最佳的分析结果。

4、典型生态项目

生态项目 1：Seurat

Seurat 是一个广泛使用的单细胞 RNA 测序数据分析工具，可以与 SpaceXR 结合使用，进行更全面的单细胞和空间转录组学数据分析。

生态项目 2：Scanpy

Scanpy 是另一个流行的单细胞数据分析工具，支持 Python 环境。通过将 SpaceXR 的 R 代码转换为 Python 代码，可以与 Scanpy 结合使用，实现跨平台的数据分析。

通过以上模块的介绍和示例代码，你可以快速上手 SpaceXR 项目，并将其应用于实际的空间转录组学数据分析中。

spacexr Spatial-eXpression-R: Cell type identification (including cell type mixtures) and cell type-specific differential expression for spatial transcriptomics 项目地址: https://gitcode.com/gh_mirrors/sp/spacexr