Tangram 项目教程

Tangram 项目教程

项目地址:https://gitcode.com/gh_mirrors/tang/Tangram

1. 项目介绍

Tangram 是一个基于 PyTorch 和 scanpy 的 Python 包，专门用于将单细胞（或单核）基因表达数据映射到空间基因表达数据上。Tangram 的主要功能是通过对齐共享基因的表达数据，将单细胞数据在空间上进行对齐。该工具适用于从相同解剖区域/组织类型收集的数据，理想情况下是来自生物学重复的数据，并且需要共享一组基因。

2. 项目快速启动

安装 Tangram

首先，确保你已经安装了 PyTorch 和 scanpy。然后，按照以下步骤安装 Tangram：

# 创建并激活 conda 环境
conda env create -f environment.yml
conda activate tangram-env

# 安装 tangram-sc
pip install tangram-sc

使用 Tangram

在 Jupyter Notebook 或 Python 脚本中导入 Tangram：

import tangram as tg

数据预处理

加载空间数据和单细胞数据（AnnData 格式），并进行预处理：

import scanpy as sc

# 加载数据
ad_sp = sc.read_h5ad('path_to_spatial_data.h5ad')
ad_sc = sc.read_h5ad('path_to_single_cell_data.h5ad')

# 预处理数据
tg.pp_adatas(ad_sc, ad_sp, genes=None)

数据映射

将单细胞数据映射到空间数据上：

# 映射数据
ad_map = tg.map_cells_to_space(ad_sc, ad_sp)

# 将基因表达投影到空间
ad_ge = tg.project_genes(ad_map, ad_sc)

3. 应用案例和最佳实践

应用案例

Tangram 可以用于多种应用场景，例如：

• 基因表达空间映射：将单细胞基因表达数据映射到空间数据上，以扩展基因表达的覆盖范围或纠正数据中的缺失值。
• 细胞类型空间分布分析：通过将单细胞数据中的细胞类型信息映射到空间数据上，分析不同细胞类型在组织中的空间分布。

最佳实践

• 选择训练基因：建议使用前 1000 个独特的标记基因作为训练基因，以确保映射的准确性。
• 使用 GPU：虽然 Tangram 可以在没有 GPU 的情况下运行，但使用 GPU 可以显著加速大规模数据的映射过程。

4. 典型生态项目

Tangram 可以与其他单细胞和空间基因表达分析工具结合使用，例如：

• scanpy：用于单细胞数据的预处理和分析。
• squidpy：用于空间数据的处理和可视化。
• Seurat：用于单细胞数据的整合和分析。

通过结合这些工具，可以构建一个完整的单细胞和空间基因表达数据分析流程。

Tangram Spatial alignment of single cell transcriptomic data. 项目地址: https://gitcode.com/gh_mirrors/tang/Tangram