Proseg项目与MERSCOPE数据格式兼容性解析

Proseg项目与MERSCOPE数据格式兼容性解析

proseg Probabilistic cell segmentation for in situ spatial transcriptomics 项目地址: https://gitcode.com/gh_mirrors/pr/proseg

背景介绍

Proseg是一个用于空间转录组数据分析的开源工具，近期在预处理MERSCOPE平台输出数据时遇到了一些格式兼容性问题。MERSCOPE是Vizgen公司开发的高分辨率空间转录组测序平台，其标准输出文件detected_transcripts.csv与Proseg预设的输入格式存在差异。

数据格式差异分析

MERSCOPE的标准输出文件包含以下关键列：

• global_x, global_y, global_z：转录本的全局坐标
• fov：视野编号
• gene：基因名称
• transcript_id：转录本ID（字符串格式）
• cell_id：细胞ID（未分配的转录本标记为-1）

与Proseg的默认预期相比，主要存在三个差异点：

1. 未分配细胞的标识符不同（Proseg默认为0，MERSCOPE使用-1）
2. 转录本ID的格式不同（Proseg预期为整数，MERSCOPE输出为字符串）
3. 坐标列名称不一致

临时解决方案

在Proseg 1.0.3版本发布前，用户可以采用以下预处理步骤使MERSCOPE数据与Proseg兼容：

1. 细胞ID转换：将未分配细胞的标识符从-1改为0

df['cell_id'] = df['cell_id'].replace(-1, 0)

2. 转录本ID转换：将字符串格式的转录本ID转换为整数

from sklearn.preprocessing import LabelEncoder
encoder = LabelEncoder()
df['transcript'] = encoder.fit_transform(df['transcript_id'])

3. 指定列映射：运行时明确指定各列对应关系

proseg -x 'global_x' -y 'global_y' -z 'global_z' \
--fov-column 'fov' --gene-column 'gene' \
--transcript-id-column 'transcript' \
--cell-id-unassigned "0" --cell-id-column 'cell_id' \
detected_transcripts.csv

最新版本改进

Proseg 1.0.3版本已正式添加了对MERSCOPE格式的原生支持：

1. 新增--merscope选项，自动识别MERSCOPE标准格式
2. 正确处理未分配细胞的-1标识符
3. 支持字符串格式的转录本ID

用户现在可以直接使用：

proseg detected_transcripts.csv --merscope

技术建议

对于空间转录组数据分析人员，在处理不同平台数据时应注意：

1. 始终验证输入数据的列名和格式
2. 对于未分配转录本，明确了解平台的标识符约定
3. 考虑使用最新版本的Proseg以获得最佳兼容性
4. 在预处理步骤中保留原始数据备份

Proseg的持续更新体现了其对多种空间转录组技术平台的良好适应性，为研究人员提供了更便捷的分析工具。

proseg Probabilistic cell segmentation for in situ spatial transcriptomics 项目地址: https://gitcode.com/gh_mirrors/pr/proseg