空间转录组分析
我们首先需要对数据进行规范化,以考虑数据点之间测序深度的差异。对于空间数据集来说,分子数/点的差异可能是巨大的,特别是在整个组织的细胞密度存在差异的情况下,这需要有效的标准化。然后,我们可以使用对RNA表达数据进行降维和聚类,如下图所示,
Step 1. 亚群特征基因分析
(1)Spots群差异表达基因筛选:筛选某一spots群与剩余所有spots群之间的差异表达基因;
(2)Spots群差异表达基因功能富集分析:对筛选得到的各spots群差异表达基因进行GO、KEGG、DO和Reactome富集分析;
(3)Spots群Marker基因分析:选择各spots群表达上调基因前20作为候选Marker基因,从聚类热图、tSNE表达分布图、小提琴图和气泡图判别其作为Marker基因的有效性和特异性。
(3)Spots亚群结果空间映射
Step 2. 空间特征基因分析
不依赖spot分群结果和组织区域鉴定结果,可以更充分地挖掘与空间位置相关的变异基因。
(1)空间差异表达分析;
(2)空间差异基因功能富集分析:对筛选得到的各空间差异表达基因进行GO、KEGG、DO和Reactome富集分析;
(3)空间特征基因筛选;
(4)空间特征基因分布;
Step 3. 空间转录组与单细胞测序关联
通过空间转录组的亚群分析,我们可以得到各个组织区域的特征基因;通过单细胞转录组的亚群上调基因分析,我们可以得到各个类型细胞的特征基因;通过细胞组成图谱,我们可以得到各个类型细胞在各组织区域的分布特征。结合这三个方向,我们就可以找到一个或多个核心基因。
联系我们
地址:上海市闵行区虹梅南路2588号A318室
邮箱:hr@sino-sci.com
电话:021-54717002
传真:021-54717002
扫码关注我们
扫码添加好友
- 业务咨询
- 咨询电话 021-54717002
- 返回顶部