single2spatial-spatial-mapping

Single2Spatial 空间映射

概述

将单细胞参考数据转换为空间分辨率表达谱时，可使用此技能。该技能遵循 t_single2spatial.ipynb，展示如何使用 PDAC scRNA-seq 和 Visium 数据训练 Single2Spatial、重建 spot 级比例并可视化标记基因表达。

操作说明

1. 导入依赖项并设置样式
   • 加载 omicverse as ov、scanpy as sc、anndata、pandas as pd、numpy as np 和 matplotlib.pyplot as plt。
   • 调用 ov.utils.ov_plot_set()（或旧版本中的 ov.plot_set()），使图表符合 omicverse 样式。
2. 加载单细胞和空间数据集
   • 使用 pd.read_csv(...) 读取处理后的矩阵，然后创建 AnnData 对象（anndata.AnnData(raw_df.T)）。
   • 附加元数据：single_data.obs = pd.read_csv(...)[['Cell_type']]，并设置 spatial_data.obs = pd.read_csv(... )，其中包含坐标和切片元数据。
3. 初始化 Single2Spatial
   • 实例化 ov.bulk2single.Single2Spatial(single_data=single_data, spatial_data=spatial_data, celltype_key='Cell_type', spot_key=['xcoord','ycoord'], gpu=0)。
   • 注意，输入应为已归一化并经过对数缩放的 scRNA-seq 矩阵；确保 spot_key 与空间坐标列匹配。
4. 训练深度森林模型
   • 执行 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)，以拟合映射器并生成重建后的空间 AnnData（sp_adata）。
   • 说明 spot_num 定义每次迭代抽取的伪 spot 数量，cell_num 控制每个 spot 抽取的细胞数。
5. 加载预训练权重
   • 检查点已存在时，使用 st_model.load(modelsize=14478, df_load_dir='.../pdac_df.pth', k=10, predicted_size=32) 跳过训练。
6. 评估 spot 级输出
   • 调用 st_model.spot_assess()，计算聚合后的 spot AnnData（sp_adata_spot）以进行质控。
   • 使用 sc.pl.embedding(sp_adata, basis='X_spatial', color=['REG1A', 'CLDN1', ...], frameon=False, ncols=4) 绘制标记基因。
7. 可视化比例和细胞类型图
   • 使用 sc.pl.embedding(sp_adata_spot, basis='X_spatial', color=['Acinar cells', ...], frameon=False) 突出显示每个 spot 的细胞比例。
   • 使用 palette=ov.utils.ov_palette()[11:] 按 Cell_type 为 sp_adata 着色，以展示重建的细胞类型分配。
8. 导出结果
   • 建议保存生成的 AnnData 对象（sp_adata.write_h5ad(...)、sp_adata_spot.write_h5ad(...)）以及衍生的 CSV 汇总文件，以供后续报告使用。
9. 防御性验证

   # 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. 故障排除提示

• 如果训练发散，可通过关键字参数降低 learning_rate，或减小 predicted_size，以稳定森林模型。
• 确保 scRNA-seq 输入经过对数归一化；原始计数可能导致尺度不匹配和空间预测效果不佳。
• 如果 gpu 不为零，请确认 GPU 可用；也可省略该参数或设置 gpu=-1，回退到 CPU。

示例

• “在 PDAC scRNA-seq 和 Visium 切片上训练 Single2Spatial，然后可视化 REG1A 和 CLDN1 的空间表达。”
• “加载已保存的 Single2Spatial 检查点，重新生成 spot 级细胞类型比例以用于报告。”
• “使用 omicverse 调色板绘制重建的细胞类型图，并与组织学结果进行比较。”

参考资料

• 教程笔记本：t_single2spatial.ipynb
• 示例数据集和模型：omicverse_guide/docs/Tutorials-bulk2single/data/pdac/
• 快速复制/粘贴命令：reference.md