mistyR：空间转录组共定位分析

生信技能树

发布于 2025-04-19 23:54:02

1.1K00

代码可运行

运行总次数：0

代码可运行

今天学习一个空转的分析方法 mistyR，于2022年4月14号发表在 Genome Biology 杂志，文献标题为《Explainable multiview framework for dissecting spatial relationships from highly multiplexed data》。mistyR 是一个多视角细胞间空间建模框架（Multiview Intercellular SpaTial modeling framework，简称 MISTy），通过分析细胞内和细胞间的关系，帮助深入理解标记物之间的相互作用。

下图为 mistyR 软件的原理图，展示了四种视角类型：

intrinsic (intraview)：内部视角，基于单个spot内部的标记表达，relate the expression of other markers to a specifc marker of interest within the same location；
local niche view (juxtaview)：邻近视角，通过构建图并计算每个空间单元周围邻居的标记表达总和来定义，relates the expression from the immediate neighborhood of a cell to the observed expression within that cell；
the broader, tissue view (paraview)：旁观视角，通过加权总和计算所有空间单元的标记表达，权重可以根据距离函数（如高斯、指数、线性或常数）进行调整，relates the expression of markers measured in cells within a radius around a given cell；
others：直接基于标记物的表达，或者从数据中推导出的细胞类型或功能特征，can ofer insight about relations coming not only as a function of space，For example, views can focus on interactions between diferent cell types, interactions within specifc regions of interest within a sample, or a higher-level functional organization。

Fig. 1 MISTy

软件地址：

https://github.com/saezlab/mistyR

mistyR 可以借助cell2location反卷积的细胞亚群关注共定位情况，可以提供：

①细胞和细胞之间的共定位；

②基于cellchat/其他细胞通讯算法的配受体同细胞之间的共定位热图；

③基于已知通路的通路和细胞之间的共定位热图。

0.软件安装

安装方式见网页：https://github.com/saezlab/mistyR

包有两个来源可选一个就行：

# bash终端安装
# R CMD INSTALL -l /usr/local/software/miniconda3/envs/R4.4/lib/R/library mistyR-master.tar.gz

## 使用西湖大学的 Bioconductor镜像
options(BioC_mirror="https://mirrors.westlake.edu.cn/bioconductor")
options("repos"=c(CRAN="https://mirrors.westlake.edu.cn/CRAN/"))
# install.packages("BiocManager")
BiocManager::install("mistyR")

# install.packages("remotes")
# remotes::install_github("saezlab/mistyR")

# 加载R包
# MISTy 
library(mistyR) 
library(future) 
#Seurat 
library(Seurat)
library(SeuratObject)
# Data manipulation 
library(tidyverse) 
# Distances
library(distances)

1.示例数据

我们本次学习的内容参考：https://saezlab.github.io/mistyR/articles/MistyRStructuralAnalysisPipelineC2L.html

背景了解：10 visum空转的数据 spot直径为 55 μm，点之间的圆心距是100μm

示例数据：10 visum 空间转录组数据，来源于2022年8月10号发表在Nature杂志上的一篇文献，标题为《Spatial multi-omic map of human myocardial infarction》，https://doi.org/10.1038/s41586-022-05060-x。

样本组织类型为：human myocardial infarction，人类心肌梗死组织

# 下载数据
download.file("https://zenodo.org/records/6580069/files/10X_Visium_ACH005.tar.gz?download=1",
              destfile = "10X_Visium_ACH005.tar.gz", method = "curl")
              
# 解压
untar("10X_Visium_ACH005.tar.gz")

内容如下：

ls -1

filtered_feature_bc_matrix
spatial
spatial_ACH005_filtered_feature_bc_matrix.h5
spatial_ACH005_filtered_feature_bc_matrix.zip
spatial_ACH005_metrics_summary.csv
spatial_ACH005_molecule_info.h5
spatial_ACH005_raw_feature_bc_matrix.h5
spatial_ACH005_raw_feature_bc_matrix.zip
spatial_ACH005_spatial_enrichment.csv
spatial_ACH005_spatial.zip

输入数据为 空转反卷积注释结果以及空间坐标信息。

作者提供的Seurat对象包含了其他内容，例如切片上点的坐标以及通过cell2location估算的细胞组成。

加载数据并简单探索：

# 加载数据
# Load file into R
seurat_vs <- readRDS("ACH005/ACH005.rds")
seurat_vs
head(seurat_vs@meta.data)
table(seurat_vs$batch)

# Extract the cell composition c2l反卷积
composition <- as.data.frame(t(seurat_vs[["c2l_props"]]$data)) 
head(composition)

# Extract the location data
geometry <- GetTissueCoordinates(seurat_vs, cols = c("imagerow", "imagecol"), scale = NULL)
head(geometry)

c2l反卷积结果：每一行为一个spot，行和为1；每一列为一种细胞类型，值为某种细胞在spot中的相对比例

空间坐标如下：

可视化spots中的细胞比例

先看一下切片本身的结构：

# Tissue Slide
SpatialPlot(seurat_vs, keep.scale = NULL, alpha = 0)

再看看切片中某种细胞在每个spot的比例图：看一下 CM 细胞

# cell2location 反卷积结果
DefaultAssay(seurat_vs) <- "c2l_props"
# 细胞类型
rownames(seurat_vs)
# [1] "Adipo"    "CM"       "Endo"     "Fib"      "Lymphoid" "Mast"     "Myeloid"  "Neuronal" "PC"       "prolif"   "vSMCs"  

# CM, cardiomyocytes 即心肌细胞
SpatialFeaturePlot(seurat_vs, keep.scale = NULL, features = "CM")

观察细胞的空间分布模式（绘制所有细胞类型结果）：其中一些细胞类型广泛分布在整个载玻片上，而另一些则集中在特定区域。此外，还有一些细胞类型具有相似的分布模式。

2.运行 MISTy

定义 intraview 内部视角：captures the cell type proportions within a spot

定义 paraview 旁观视角：To capture the distribution of cell type proportions in the surrounding tissue

定义 the radius：the mean of the distance to the nearest neighbor plus the standard deviation

计算每个 spot 的权重：通过设置参数 family = gaussian实现

距离计算：“distances” 构建了一组点的 Euclidean距离度量，公式如下：

# 运行mistyR
# Calculating the radius
head(geometry)
geom_dist <- as.matrix(distances(geometry)) 
geom_dist[1:5,1:4]
dim(geom_dist)

dist_nn <- apply(geom_dist, 1, function(x) (sort(x)[2]))
paraview_radius <- ceiling(mean(dist_nn+ sd(dist_nn)))
paraview_radius

# Create views
head(composition)
heart_views <- create_initial_view(composition) %>%
  add_paraview(geometry, l= paraview_radius, family = "gaussian")
str(heart_views, max.level = 2)

# Run misty and collect results
run_misty(heart_views, "result/vignette_structural_pipeline")
misty_results <- collect_results("result/vignette_structural_pipeline")

返回的 geom_dist 是一个 3175 * 3175的矩阵，为任意两个spot间的距离。

misty 运行完后可以回答以下问题：

1.与内部视角（intraview）相比，周围组织中存在的细胞类型在多大程度上能够解释该spot的细胞类型组成？

这句话探讨的是周围组织的细胞类型与特定点（spot）的细胞类型组成之间的关联程度，以及这种关联与内部视角 intraview 结果的对比。它评估周围组织的细胞类型分布对特定点细胞组成的影响，以及这种影响是否与 intraview 结果一致。

查看两种不同的统计指标：multi.R2 表示多视角模型解释的总方差，gain.R2 则显示从单视角模型到多视角模型时可解释方差的增加量。

# `multi.R2` 表示多视角模型解释的总方差
plot_improvement_stats(misty_results,"multi.R2")

multi.R² 的值，即多视角模型相对于单视角模型的改进程度：高度越高，说明多视角模型对解释标记物表达变异的贡献越大

# `gain.R2` 则显示从单视角模型到多视角模型时可解释方差的增加量。
plot_improvement_stats(misty_results,"gain.R2")

旁观视角（paraview）在解释脂肪细胞 Adipo 和肥大细胞 Mast 的方差方面表现出显著优势。R²的显著提升表明，通过引入除内在视角之外（ intrinsic view）的其他视角，能够更准确地解释标记物X的表达。

第二个问题：

2. 哪些具体的关系能够解释这些贡献？

# the intrinsic view:
plot_interaction_heatmap(misty_results, view = "intra", clean = TRUE)

该图展示在 内部视角（intra-view） 下细胞亚群之间的相互作用强度：

# the importance values
temp <- misty_results$importances.aggregated %>%
  filter(view == "intra", Predictor == "CM") %>%
  arrange(-Importance)
head(temp)

# view  Predictor Target  Importance nsamples
# <chr> <chr>     <chr>        <dbl>    <int>
#   1 intra CM        Fib           2.74        1
# 2 intra CM        vSMCs         2.43        1
# 3 intra CM        prolif        2.23        1
# 4 intra CM        Myeloid       2.21        1
# 5 intra CM        Endo          2.15        1
# 6 intra CM        Mast          2.02        1

看看这些细胞类型在组织切片中的空间分布情况：

SpatialFeaturePlot(seurat_vs, keep.scale = NULL, features = c("Fib","CM"), image.alpha = 0)

我们可以观察到，心肌细胞比例较高的区域，成纤维细胞的比例较低，反之亦然：

包的版本：

packageVersion("mistyR")
# [1] ‘1.10.0’

Note

前面在 seurat v5 环境中绘图总有问题，可以这样读取数据并绘图：

## 绘图
data <- Read10X(data.dir = "ACH005/outs/filtered_feature_bc_matrix/")
dim(data)
data[1:5,1:5]
object <- CreateSeuratObject(counts = data, assay = "Spatial", min.cells = 1)
object

# 再读取
image <- Read10X_Image(image.dir = "ACH005/outs/spatial/", 
                       image.name = "tissue_lowres_image.png",
                       filter.matrix = TRUE)
image
dim(image)
image <- image[Cells(x = object)]
DefaultAssay(object = image) <- "Spatial"

# 添加图片到object中
object[["SeuratProject"]] <- image
object@images[[1]]@scale.factors$lowres
object@images[[1]]@scale.factors$hires
head(object@meta.data)
SpatialFeaturePlot(object, keep.scale = NULL, features = "nCount_Spatial",pt.size.factor = 1.6) 

object <- AddMetaData(object, metadata = composition)
head(object@meta.data)
SpatialFeaturePlot(object, features = "CM", keep.scale = NULL,pt.size.factor = 2,alpha = 1)

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2025-04-18，如有侵权请联系 cloudcommunity@tencent.com 删除

object