single2spatial-spatial-mapping

Single2Spatial による空間マッピング

概要

単一細胞の参照データを空間分解されたプロファイルに変換する場合に、このスキルを適用します。t_single2spatial.ipynb に沿って、Single2Spatial を用いて PDAC の scRNA-seq データと Visium データで学習し、スポットレベルの割合を再構成して、マーカー発現を可視化する方法を紹介します。

手順

1. 依存関係とスタイルを読み込む
   • omicverse as ov、scanpy as sc、anndata、pandas as pd、numpy as np、matplotlib.pyplot as plt を読み込みます。
   • ov.utils.ov_plot_set()（古いバージョンでは ov.plot_set()）を呼び出して、プロットのスタイルを omicverse に合わせます。
2. 単一細胞データセットと空間データセットを読み込む
   • pd.read_csv(...) で処理済みの行列を読み込み、AnnData オブジェクト（anndata.AnnData(raw_df.T)）を作成します。
   • メタデータを割り当てます。single_data.obs = pd.read_csv(...)[['Cell_type']] とし、spatial_data.obs = pd.read_csv(... ) には座標とスライドのメタデータを含めます。
3. Single2Spatial を初期化する
   • ov.bulk2single.Single2Spatial(single_data=single_data, spatial_data=spatial_data, celltype_key='Cell_type', spot_key=['xcoord','ycoord'], gpu=0) をインスタンス化します。
   • 入力には正規化済み／対数スケール済みの scRNA-seq 行列を使用してください。また、spot_key が空間座標の列と一致していることを確認します。
4. ディープフォレストモデルを学習する
   • st_model.train(spot_num=500, cell_num=10, df_save_dir='...', df_save_name='pdac_df', k=10, num_epochs=1000, batch_size=1000, predicted_size=32) を実行してマッパーを適合させ、再構成された空間 AnnData（sp_adata）を生成します。
   • spot_num は各反復でサンプリングする疑似スポット数を定義し、cell_num はスポットごとに抽出する細胞数を制御することを説明します。
5. 事前学習済みの重みを読み込む
   • チェックポイントがすでに存在する場合は、st_model.load(modelsize=14478, df_load_dir='.../pdac_df.pth', k=10, predicted_size=32) を使用して学習を省略します。
6. スポットレベルの出力を評価する
   • st_model.spot_assess() を呼び出して、QC 用の集約済みスポット AnnData（sp_adata_spot）を計算します。
   • sc.pl.embedding(sp_adata, basis='X_spatial', color=['REG1A', 'CLDN1', ...], frameon=False, ncols=4) でマーカー遺伝子をプロットします。
7. 割合と細胞型マップを可視化する
   • sc.pl.embedding(sp_adata_spot, basis='X_spatial', color=['Acinar cells', ...], frameon=False) を使って、スポットごとの細胞割合を強調表示します。
   • palette=ov.utils.ov_palette()[11:] を指定して Cell_type で色分けした sp_adata をプロットし、再構成された割り当てを表示します。
8. 結果をエクスポートする
   • 生成した AnnData オブジェクト（sp_adata.write_h5ad(...)、sp_adata_spot.write_h5ad(...)）と、後続のレポート用に算出した CSV サマリーを保存することを推奨します。
9. 防御的な検証

   # Before Single2Spatial: verify spatial coordinates exist
   for col in spot_key:
       assert col in spatial_data.obs.columns, f"Spatial coordinate column '{col}' not found in spatial_data.obs"
   # Verify scRNA-seq is log-normalized (max should be <~15, not hundreds/thousands)
   if single_data.X.max() > 50:
       print("WARNING: scRNA-seq data may not be log-normalized. Raw counts cause scale mismatches.")
   # Verify cell type column exists
   assert celltype_key in single_data.obs.columns, f"Cell type column '{celltype_key}' not found"
   

10. トラブルシューティングのヒント

• 学習が発散する場合は、キーワード引数で learning_rate を下げるか、predicted_size を小さくしてフォレストを安定化させます。
• scRNA-seq の入力が対数正規化済みであることを確認します。生カウントではスケールの不一致が生じ、空間予測の精度が低下することがあります。
• gpu がゼロ以外の場合は、GPU が利用可能であることを確認します。引数を省略するか、gpu=-1 を設定すると CPU に切り替えられます。

例

• 「PDAC の scRNA-seq データと Visium スライドで Single2Spatial を学習し、REG1A と CLDN1 の空間発現を可視化する。」
• 「保存済みの Single2Spatial チェックポイントを読み込み、レポート用にスポットレベルの細胞型割合を再生成する。」
• 「omicverse のパレットで再構成された細胞型マップをプロットし、組織学的画像と比較する。」

参考資料

• チュートリアルノートブック：t_single2spatial.ipynb
• サンプルデータセットとモデル：omicverse_guide/docs/Tutorials-bulk2single/data/pdac/
• コピーしてすぐに使えるコマンド：reference.md