ps做网站导航条高度友情链接2598

随着空间组学技术的快速发展（如CODEX、Visium、Stereo-seq等），研究者不仅能够解析细胞分子表达的空间定位，更面临海量多维数据的处理挑战。本文将系统梳理当前主流分析方法框架，涵盖从基础数据质控到多组学整合的全流程工具链，为研究者得到空间组学数据后进行下游的数据挖掘提供技术参考。

！！！（华盈生物空间组学数据分析平台可以提供以下所有个性化定制分析服务）

Seurat

Seurat作为单细胞和空间组学的“瑞士军刀”，支持从CODEX数据预处理、降维、聚类及差异蛋白表达分析全流程，同时可整合单细胞与空间数据。

链接：https://satijalab.org/seurat/articles/seurat5_spatial_vignette_2#human-lymph-node-akoya-codex-system

数据输入格式：

Seurat主要针对PCF细胞分割完成之后的结果，常见为csv格式的文件，主要包含细胞标识（cellid）、蛋白marker在对应细胞中的信号值、每个细胞的空间坐标（X/Y坐标）信息等。在seurat软件中可直接使用使用LoadAkoya()函数加载数据。

软件优势：

Seurat在单细胞测序分析中的广泛应用对有PCF空间数据分析需求的老师使用上手速度快，遇到问题能快速找到解决方案。

可使用DimPlot()和ImageDimPlot()展示聚类结果及空间分布，后续进一步进行其他个性化分析。

Giotto

Giotto是一个专门为空间组学数据分析开发的R包，目前已经支持处理包括PCF空间单细胞蛋白组数据在内的所有空间组学技术的数据。不仅支持前期数据预处理、降维、聚类及差异蛋白表达分析全流程，还能进行后续空间距离细胞互作等分析。

链接：Spatial Single-Cell Transcriptomics Toolbox • Giotto

数据输入格式：

Giotto输入文件需包含分割后的细胞空间坐标信息、细胞标识Cell_ID、蛋白marker及表达量信息、ROI组织区域细胞分组等元信息。

软件优势：

环境配置便捷，运行速度较快，空间分析等内容丰富且软件开发者提供的说明文档全面。

完成细胞注释后可基于细胞类型进行细胞距离和细胞互作等分析。

 

SPACEc

SPACEc全称SPatial Analysis for CodEX data (SPACEc)，是基于Python环境下的空间组学数据分析框架，整个分析框架包括从上游图像提取分割到降维聚类以及后续空间邻域空间互作等内容。

链接：https://github.com/yuqiyuqitan/SPACEc

数据输入格式：

SPACEc软件支持从上游图像进行处理,因此输入文件可以是tif、ome.tiff等格式的图像文件,SPACEc支持通过deepcell cellpose等细胞分割方法对图像进行细胞分割。如已经完成细胞分割则输入的表格文件需要包含细胞标识（cellid）、蛋白marker在对应细胞中的信号值、每个细胞的空间坐标（X/Y坐标）信息等

软件优势：

软件分析框架完善，分析内容丰富，通过jupyter进行运行，输出结果直观图形美观。

通过neighborhood_analysis和identify_interactions等函数计算细胞邻域细胞互作等分析内容并进行数据结果展示。

IMCDataAnalysis

IMCDataAnalysis是一个用来处理和分析包括PCF空间单细胞蛋白组等多种技术在内的多种单细胞数据。整个分析流程包括预处理、数据质控、单细胞图像可视化和空间分析等多个板块。

链接：Analysis workflow for IMC data

数据输入格式：

IMCDataAnalysis软件支持从steinbock框架处理或者Ilastik分割产生的结果，或者直接读取包含细胞标识（cellid）、蛋白marker在对应细胞中的信号值、每个细胞的空间坐标（X/Y坐标）信息等的表达矩阵信息。

软件优势：

软件分析体系完整，同时兼容性很强能直接读取包括steinbock等产生的结果。数据结果展示内容丰富美观。

对数据进行降维聚类细胞定义之后可以进一步做细胞邻域细胞互作等个性化分析。

CellCharter

CellCharter是一种专为空间组学数据设计的Python分析工具，尤其适用于解析细胞在组织中的空间分布模式及互作关系。核心功能主要包含基于细胞类型组成及空间邻近性，对组织区域进行无监督聚类的空间生态位（niche）分析和邻域互作分析（neighborhood），揭示细胞间互作机制。

链接：https://github.com/CSOgroup/cellcharter

数据输入格式：

和其他的软件类似，CellCharter软件运行主要包含细胞标识（cellid）、蛋白marker在对应细胞中的信号值、每个细胞的空间坐标（X/Y坐标）信息等的表达矩阵信息。

软件优势：

软件分析基于Python语言，运行流程简洁,运行速度较快，输出结果美观便于理解。

SpaTopic

SpaTopic是一个用于进行细胞邻域分析的R包，与其他基于 KNN 的方法（例如 KNN-kmeans，Seurat v5 R 包中的默认邻域分析）相比，SpaTopic 在大规模图像数据集上的运行速度要快得多。同时软件必需输入是包含单个图像上的单元格的数据帧或多个图像的数据帧列表。每个数据框由四列组成：细胞ID、xy坐标轴信息和注释好的细胞类型。

链接: GitHub - xiyupeng/SpaTopic: An R package for fast topic inference to identify tissue architecture in multiplexed images

SPIAT

SPIAT（组织空间图像分析）是一个包含数据处理、质控、可视化、空间分析的数据分析工具。与包括PCF空间单细胞蛋白质组在内的各类空间组学平台生成的数据兼容。包含数据质控和可视化、细胞共定位、相对于肿瘤区域的免疫微环境分类、细胞邻域分析和空间异质性的量化等六大分析模块，为空间数据分析提供了全面的工具包。

链接：GitHub - TrigosTeam/SPIAT

数据输入格式：

SPIAT软件可以直接读取由inForm、HALO、celloprofilter等其他软件生成的数据，也可以自定义需要导入的数据。导入的数据内容主要包含细胞ID、蛋白marker荧光强度，细胞位置信息等。

软件优势：

功能强大，涵盖从数据预处理到细胞共定位，细胞邻域分析等内容。安装方便，文档完整对用户很友好。

S3-CIMA

S3-CIMA即supervised spatial single-cell imaging analysis是一种监督式的空间单细胞图像分析方法，可以通过整合组织样本中单细胞水平的空间信息和表型标签（如疾病状态），识别与特定疾病相关的细胞类型组成及其空间分布模式，挖掘潜在的疾病生物标志物或病理机制。

链接：GitHub - claassenlab/S3-CIMA: Supervised Spatial Single-Cell Image Analysis

相关文章:

1. Hao, Y., Stuart, T., Kowalski, M.H. et al. Dictionary learning for integrative, multimodal and scalable single-cell analysis. Nat Biotechnol 42, 293–304 (2024).

2. Jiaji George Chen, Joselyn Cristina Chávez-Fuentes, et al. Giotto Suite: a multi-scale and technology-agnostic spatial multi-omics analysis ecosystem. bioRxiv (2023).

3. Tan Y, Kempchen T N, Becker M, et al. SPACEc: A Streamlined, Interactive Python Workflow for Multiplexed Image Processing and Analysis [J]. bioRxiv, (2024).

4. Windhager, J., Zanotelli, V.R.T., Schulz, D. et al. An end-to-end workflow for multiplexed image processing and analysis.Nat Protoc (2023).

5. Varrone, M., Tavernari, D., Santamaria-Martínez, A. et al. CellCharter reveals spatial cell niches associated with tissue remodeling and cell plasticity. Nat Genet 56, 74–84 (2024).

6. Xiyu Peng, James W. Smithy, Mohammad Yosofvand, Caroline E. Kostrzewa, MaryLena Bleile, Fiona D. Ehrich, Jasme Lee, Michael A. Postow, Margaret K. Callahan, Katherine S. Panageas, Ronglai Shen. Decoding Spatial Tissue Architecture: A Scalable Bayesian Topic Model for Multiplexed Imaging Analysis. bioRxiv (2024).

7. Feng, Y., Yang, T., Zhu, J. et al. Spatial analysis with SPIAT and spaSim to characterize and simulate tissue microenvironments. Nat Commun 14, 2697 (2023).

8. Babaei S, Christ J, Sehra V, et al. S3-CIMA: Supervised spatial single-cell image analysis for the identification of disease-associated cell-type compositions in tissue. Patterns. 2023 4: 100829