前几期，小编已经分享过单细胞与空间转录组联合应用于骨髓造血微环境的文章咯。（感兴趣的小伙伴，可以补课哦~）

本期，小编将重点介绍一下烈冰生物针对人类样本的空间转录组数据的分析策略。烈冰生物单细胞转录组测序与空间转录组测序联合分析流程也正在最后的优化测试阶段，即将与大家见面，敬请期待！

（赶紧关注我们吧，方便下次订阅～）

首先，给大家分享一篇2020年1月13日发表于《Nature Biotechnology》的高分文章：Integrating microarray-based spatial tranomics and single-cell RNA-seq reveals tissue architecture in pancreatic ductal adenocarcinomas。

该研究联合利用空间转录组分析和scRNA-seq两种技术，通过引用多模式相交分析（MIA）确定两种技术中的特异性基因显著重叠，来推断组织空间受限区域中特定细胞类型的富集，并成功的将scRNA-seq的结果进行空间定位，从而发现亚群的差异化定位使它们在组织中发挥独特的作用。

图1 PDAC患者的空间转录组分析结果

a-b主要描述了2例PDAC患者的冰冻切片，并且与组织学注释映射的结果。c-d为特征性基因的表达情况，e-f为聚类分析结果。

空间转录组测序可以帮助研究者在空间背景下绘制细胞类型、细胞亚群，甚至细胞状态，这对于癌症发病机制、神经科学、发育生物学等众多领域的研究都有重要意义。

看完高分文章中的空间转录组分析，是不是迫切的想知道我们能不能得到这样的结果呢？还能够再做哪些分析呢？

下面跟着小编一起来看看烈冰生物对于人类样本的空间转录组数据的分析策略吧！

烈冰针对每个样本的空间转录组测序数据，通过上述完整的数据分析流程，对所有检测到的细胞进行分群，并鉴定细胞类型，可以在不同分组间从细胞类型的组成和丰度角度进行比较。

具体分析结果展示如下：

1.点阵判断

针对质控后clean data中的cell barcode信息及其对应的counts数进行统计（图1左），判断测序样本中实际检测到的点阵数（图1右），获得真实的空间转录组测序信息。

图1 点阵判断后的结果示例

2.空间点阵聚类与亚群分析

图2 空间点阵聚类的UMAP图（左）和t-SNE图（右）

以基因组比对后结果以及表达量结矩阵进行细胞的降维和聚类，将空间点阵分为不同的Cluster聚类簇，图2分别展示了采用UMAP算法和tSNE算法对cluster聚类后，在空间染色片上进行染色的结果。

3. 点阵Cluster聚类簇Marker分析

该图主要描绘了与组织空间位置相关的分子特征，可视化的展现方式，可以更加直观的了解Marker基因在空间上的差异表达情况。

4.解剖区域细分

空间转录组数据分析同样的也可以对感兴趣的局部解剖区域进行细分，根据每个点阵中的表达量数据对指定的解剖区域（临近切片或者当前切片）进行结果展示，包括基因区域的集中展示。

5. 信号通路Scoring分析

该图展示的是针对每一个点阵的信号通路、代谢通路调控强度的打分结果。 信号通路的空间定位信息，可以一定程度上助力研究信号通路在空间上传递的动态性。

6. 细胞通讯分析

通过对点阵群体与群体之间的通讯关系进行解析可以得到跨区域的关联性。下图即为空间转录组的细胞通讯分析结果示意图，可以清晰地判断群体之间的相互作用关系以及作用强度。

扫描下方二维码，关注公众号“烈冰生物”，获取更多空间转录组资料。