00:03
好了,时间到了啊,我们来上我们的第16课,关于空间CV和CV聚类的一个内容。空间的啊,做CUV呢,其实现在已经成为了一种常识了啊,基本上做肿瘤样本做这个,嗯,癌旁啊,肿瘤区啊等等都会做一个,哎,空间行为。其实空间刚出来的时候啊,对于其能不能做是因为是有争议的。尤其是这个不同平台之间差异很大。首先我们来看一看这个微ISM平台,诶微ISM平台它的一个精度是55μm,对吧。那他能不能做CV呢?当然现在大家都知道了,是可以啊,那个空间平台做了很多的这个CNV了,哎,CV分析了。啊,以前呢,刚开始出来的时候是有争议的。因为怀疑这样的话,肿瘤区域内有正常细胞的话,会干扰这个CNV的一个准确性。
01:03
啊,后来经过无数的项目验证啊,发现哎。并啊,并没有干扰,反而是体现了这个肿瘤内的一个抑制性,抑制性啊。那么像HD平台和Z平台这种原位平台,哎,能不能做这个空间呢?像HD平台,哎,它的一个基因中位数有多少呢?一两百,哎,这算高的了,如果聚集成8μm的一个精度的话,这算高的了。啊,一两百斤的话,像这种基因很少的情况,是不可以做CUV分析的啊。也就是说HDHD平台,如果你想做CNV分析呢,必须把它扩到更大的一个范围。比如说16μm,比如说20μm等等等等啊,至少要让它的一个基因的数量达到至少单细胞级,哎,这个才能做,哎应付c nna的这样一个分析。像Z平台呢?啊,人平台的这个探针数就更少了啊,只有几百。
02:02
哎,三百两百,嗯,普通的300,哎,500等等,哎,像最近狮城推出的这个5000,嗯,哎,现在已经有人在用了,但是这个效果怎么样还不太清楚。如果他真正能达到哎空间上单细胞级的数据,并且基因中位数,哎,每个细胞表达的数量比较多的话,哎也是可以做CV分析的。首先呢,我们来看看关于CV分析与单细胞分析的一个不同啊,前面简单介绍过CV在临床上一个主要的运用,包括这个产前诊断,包括肿瘤特检,哎,包括早筛等等内容,CV呢都发挥了极其重要的一个作用。啊,回到我们单细胞空间来讲,哎,单细胞的一个检测Co的原理呢,在单细胞课上已经讲过了,哎,具体的做法呢,就是先选择一个referer对吧,这个refer呢,最好是对应细胞的正常细胞。
03:00
比如说肿瘤,哎,上皮细胞发生癌变,那我以正常的上皮细胞作为这个参考来推断CV的一个。而且肿瘤CNV,呃细胞的一个事件。嗯,对于这个,如果没有这个正常的参考,哎,比如说这个我都是肿瘤样本,或者说我区分不了。哎,哪些上皮细胞发生癌变,哪些细胞,呃细胞发生了,呃是正常的,是normal的,呃这个时候呢,就要采取另外一种策略,就是。哎,用免疫细胞,哎,成纤维细胞这种不确定不是癌细胞的细胞类型作为这个refer,而且采用,呃,采取一个原则,就是尽量多选择几种细胞类型,哎,让他的参考更加平稳一点,这样的话结果也是相当可信的。那么对于空间来讲呢,空间做应分,呃,做这个行为事件呢,它比单细胞可能要多考虑一步。哎,大家都知道空间呢,它有细胞排布的一个信息,对吧,无论是哪种空间平台,大家都拿都会拿到这种细胞类型,哎,它的空间相对位置,哎,空间排布信息等等等等,那么在检测空间CV的时候,哎,比如说这个点,哎,我知道它的它的这个C因V值是吧,每个基因是否发生了扩增还是缺失事件。
04:20
哎,点与点之间啊,其实在空间上不是相互独立存在的。哎,是有一定的空间依存度的,就和这个示意图一样。哎,是有一定的空间依存度的。啊,那么就是说一个细胞的,诶,它发生了GA事件或者loss事件,呃,最直观的体现是什么。哎,它的基因表达发生了变化,比如说他发生了根事件,哎,就是拷贝数扩增,它的基因就会有过表达的一个现象。而如果说它这个细胞呢,哎,发生了这个落事件,哎,这个基因缺失,哎直观的表现就是这个基因表达量急剧的下降,哎,甚至没有。那么在空间上啊,大家都是一个哎,团体。
05:03
你表达的基因高或者低都会对周围产生一定的影响。哎,那么在研究空间CV的时候啊。大家更多的,哎,也就是现在更关心的就是。哎,这个CV事件对周围的影响到底有多大?哎,从这个最直观的一个分析来讲,就是要体现出哎,从空间的这个角度来分析肿瘤内部的一致性。啊,还有一个值得关注的地方,就是对于空间组来讲,哎,我们选择rap该怎么选呢?能不能选择单细胞数据作为rap呢?哎,这个是不可以的啊,像单细胞数据选择正常的,哎,单个细胞的表达值作为它的一个I refer, 那么对于空间来讲呢,哎,我们要选择同样级别数量的一个正常的区域,哎,作为一个referer,比如说。嗯,I旁区,哎,Normal区。嗯,这些区域呢,选取出来作为一个reference。
06:02
来推断肿瘤内部的一个CV事件以及抑制性啊,并且在推断C因为事件和抑制性的时候要考虑考虑什么。哎,肿瘤在空间上的一个。抑制性,以及不同抑制性的这个肿瘤细胞之间的空间连接度,哎等等一些空间带给我们一些哎分析问题的视角啊。这个呢是前一篇,呃,有一篇文章,它对这个。哎,各个这个推断单细胞级的一个,哎,推断单细胞级的一个CV啊。用这个呃,评估了一下几个软件的一个效果,大家可以看看猫。哎,这里面主要推断的就是以实层微任务为主的一个空间平台,是因为推断的一个效果。首先呢,Normal区域,诶,就是我们正常的要选取这个reference的一个区域,对吧?哎,它作为参考,哎克隆ABC呢,体现的就是肿瘤内部的一致性。
07:01
哎,我们希望这个空间平台啊,哎,我们希望这个空间软件啊,能够帮我们,哎,识别这个哎,不同的克隆,以及不同克隆所在的一个空间位置。哎,这个时候呢,有一个正常的参考,哎,就是说它真实的分布是这个样子对吧。哎,Normal么,在这个区域,哎三级这个三层结构,哎,用英孚CV推断呢,诶大家可以看到看一下,哎,基本上是非常接近这个真实值的啊,只有少量部分是。哎,少量部分是这个存在偏差的,不过哎,首先第一步干嘛,Normal区域和主流区域的分开,哎这个是没有问题的,对吧,通过CNV来分析。第二个呀,在分析肿瘤一内部一致性的时候。分析肿瘤内部一致性的时候,哎,稍有偏差,但是大致的区域范围。哎,是几乎一致的。对吧,诶,那么这个克隆克隆A克隆B克隆C,它的一个检测结果和真实的结果是非常接近的啊,几乎可以达到了重合的地步。
08:03
嗯,这篇文文文件呢,呃,这篇文章呢,又呃,提出了一个新的这个starch的这个方法。他既考虑这个,哎,表达的一个情况,哎,当然英孚C因为只考虑表达。它这个软件呢,只考虑这个表达,而不不仅只考虑表达,而且呢,要考虑这个空间位置的连接度的问题。啊,大家可以想象一下,如果这个C因为事件是克隆B,哎,这个是克隆B,它的周围都是克隆B的话,哎。其实在我们的空间的一个,哎,整体排布情况来看,它内部的结构啊。哎,更趋向于是克隆币。哎,这个大家呃,如果对组织学或者基因表达,或者呃对肿瘤这个研究啊,有一点深入的话,会发现肿瘤通常是聚集式的一种存在,就是同一个亚型呢,一般聚集存在,哎这个时候呢,周围的环境会影响它内部的结构。哎,通常情况来讲,哎都是这种肿瘤或是这种这种哎具有分层式的一个结构居多啊。
09:06
哎,右边这张图呢,是简单的一个统计啊,统计出来,哎,统计出来的结果呢,其实从这个分析的结果的,哎,效果来看。呃,英粉CV的结果已经相对可信了啊,这也是各大公司对这个英粉,呃,也是用英粉CV做空间的一个依据。就是他在推断真正的肿瘤抑制性以及肿瘤真正的这个CV信号的时候啊,哎,已经非常的准确了啊。然后呢,下面这张图呢,是简单的一个引染以这个染色体层面,哎,就是每个染色体发生的CUV事件的叠加,诶出来的这样一种图啊,这样的一种图呢,大家可以看到,哎,基本上这种哎。呃,从这个分析效果来看呢。几乎哎是一个相对的,哎,平齐的一个状态。
10:02
当然了,文章中采用的这个样本啊,包括这个哎,分析方法呀,哎,当然更偏向偏向于自己的软件,实际情况是因为C,因为效果哎非常好啊。它毕竟是一个,嗯,比较那个应用比较范围比较广,而且准确度相对较高的一个分析软件啊。接下来呢,我们就要看一看关于空间,是因为它真正的一个哎用途了。呃,在讲单细胞的时候,其实讲过这个CV,这个波的这个问题。呃,就是说我们的CV事件啊,是一个逐渐积累的过程。哎,首先有一点慢慢的积累,积累积累积累成一个大的事件,对吧,所以说现在也有也有人用这个CNV这个事件来,哎,直接推断这个古迹发育。如果按照这个理论,CV事件,哎一开始先有后面积攒积攒积攒,哎,积攒成一个大事件之后呢,也就是说。CV事件最严重的内群细胞。
11:03
哎,它的一个,哎,很可能是时间的起点。对吧,因为他这个首先积攒,如果他不停的积累,那说明他呃是最严重的。而通过对这种对这种最严重和这些次严重,还有刚开始这种开开始发生CV事件的细胞的一个CV事件的一个提取。哎,就可以知道有,哎,哪些CV事件是发生在时间的,哎,起始位置,哎,哪些发生在这个末端的位置,如果这个CV事件绝大部分细胞都有,那说明这个CNV,诶发生的时间比较早。啊有,如果说有些C因为事件体现了意致性了,只有一小群有或者怎样啊,或者只有呃。呃,一部分有。哎,那说明是因为在整个的。肿瘤细胞的一个发育过程中啊,哎,产生了分化。哎,这就是CNV推断轨迹的一个原理,不过这个轨迹,呃,CV轨迹的原理啊,通常要和这个基因表达相结合。
12:01
也就是说,从基因表达的一个层面。哎,首先推断出。哎,首先推断出什么,推断出它的一个轨迹,发生的一个过程。接下来呢,哎,推对每个群的一个CV的一个事件啊,哎,进一步进行推断,看看CNV的一个联系是什么。哎,哪些是CV早期,哪些是CV晚期等等等等。这样的话就会绘制出这样一个。哎,行为轨迹图。CV轨迹图啊,通过CV轨迹哎来判断这个,哎,这个肿瘤细胞它的一个分化和发育方向是怎样的。哎,下面这张图呢,就是CNV联系大家可以看到,诶,其实最早出现的一个CV事件啊。哎,最早出现的CV事件有哪些呢?其实就是那些积累了大量CV事件和没有什么CV事件,他们共有的一个CV事件,哎,他们因为共有说明它说明这个神维事件越早发生啊,然后在不停的哎,时间点啊,分化过程中啊,相同的一个肿瘤细胞虽然拥有一开始先有一定的神维事件。
13:06
后来呢,慢慢的随着时间的推移,哎C因为哎,因为发生了其他的行为事件在积累,这个时候呢,不同的群可能发生了不同的行为事件,就会导致。哎,细胞朝着不同的方向进行分化,哎,形成了肿瘤内部的一个一致性,就和这个一样。哎,形成了不同的这个肿瘤细胞的亚群。在这个CV热图的情况下,也可以直观的看出来。就是说C因为在不同的一个亚群,或者说叫不同的样本中,哎,就会体现出它C因为本身的一个抑制性了。哎,那么以我我们以这个这个为例的话,比如说T0,哎是时间最开始的位置。它已经开始积攒了一定的CNV事件了,对吧,那么随着CNV呃,随着这个事件慢慢推移呢,哎,这个CNV事件诶,一般后续的细胞都会有,但是会添加新的细胞的,呃,新的一个CUV事件,就像这个T1T2T3T4,随着时间的哎推移呢,一开始CUV事件是较轻的。
14:10
哎,并且是少量细胞有的,哎,随着时间的推移呢,不同的哎,细胞类型之间开始积积聚这个神维事件,你看时间T2,呃,T1。哎,这个示威事件明显增长,明显扩张,对吧,由这个1,哎,慢慢过渡到这个2。呃,由0慢慢过渡到1,它的CV事件明显有了一个扩增,哎,再等到T2 T3T4的时候呢,在CNV事件原本的基础上,就开始了不同的CV事件的一个积聚,从而形成了哎,不同的肿瘤细胞。哎。这个就是C,因为事件在推断肿瘤细胞轨迹演化中的一个重要的一个作用啊,这也和大家在单细胞或者空间上画那个进化术那个图。还有原理是一致的啊,讲单细胞的时候,单细胞的,呃,肿瘤会绘制一个进化术。哎,从树干哎,慢慢哎到分叉等等等等,树干是什么?哎,其实就是大家共有的,是因为事件推断的原理呢,也是一样的。
15:08
如果说大家共有,说明这个CV事件发生的越早。呃,如果这个CV事件只是某个小群独有,哎,那说明时间越晚,那说明越是癌的后期分化,分化的一个内容。然后呢,通过对每个群哎,CV的一个哎具体的染色体的一个缺失个人事件的一个热图的描述呢,哎,推断出哎我们在不断的一个不停的一个不停的一个分化的发育过程中。诶,每个小区它的实验维的一个波。哎,就是它的纤维负荷。还有包括C维负荷的一个积聚的一个积聚的一个状态,还有它不停啊啊不停的变化的一个趋势,大家可以看到这个变化的一个趋势啊。这个呢就是CV,诶CV负荷在空间上的一个体现,哎,大家可以看看它整体的一个。
16:03
哎,整体的一个发育上的一个不同。哎,不同的变异呢,驱动了新的,哎抗性机制啊,这个很容易理解,就是说我如果我们有了新的不同的行为事件,它自然它本身的一个表达呀,嗯,这个状态呀等等都会发生很大的变化,那么对于外界的刺激呢,就会有一些不同的反应,那么如果大家做过肿瘤,哎,做过这个特检,做过早筛等等。啊,就会发现不同的CV事件啊。哎,对药物的反应是不一样的,那么从单细胞来讲,不同的C,因为事件体现的就是细胞的一致性,哎,会产生新的细胞亚群。那么对于空间来讲呢,哎,不同的CV事件,不同的CV这个负荷呢,在空间上就体现了它,诶,空间的一个角度的一个一致性的一个分布。哎,大家可以看看,哎,这是一个项目分析分析得到的结果啊。哎,大家可以简单看看,哎,这是3个空间样本,哎,这个是CV负荷啊,CV负荷的一个比例值。
17:05
哎,当然这个值是从0.1~0.5,哎,还经过了一个值的缩放,从分布情况来看,大家可以简单的看到一下,哎,如果CV负担很轻。也就是说这个细胞没什么CV事件的时候呢,它主要集中的一个区域。哎,蓝深蓝色区。哎,如果他是因为事件,哎,开始积聚的时候,呃,颜色越来越偏红。哎,它的一个整体的一个分布。哎,那么如果我们对CCV事件进行一个呃,剧烈判定的话,就可以得到下面这个剧烈的一个结果。哎,这个蓝色区域就是没什么CV事件的需取啊,区域会。简单的锯成一类。哎哎中间呢,哎中间,哎CV事件是呃中等,哎不是很严重,也有点CV事件的时候,哎也会聚成一类。哎C因为最严重的,哎C因为得分最高的那一个会聚成红色的这一类。
18:01
这也是在文章中啊,文章中可能有的有的文章呢,会对这个CV进行一个分级。哎,是因为中,呃轻度中度重度。哎,它是怎么来的,哎,大概的原理和这个这里面讲到的是一样的,通过它与它通过对每个空间样本,哎,CVCNV负荷就是CNV值,哎,它CNV的总体值的一个聚类的结果,哎,得到出这样一个。简单的一个分层的一个判断啊。大家可以看看它具体的一个。哎,具体的一个分析出来的一个效果啊,黄色啊common senster, 呃,就是说共有的一个来源,共有的来源呢,它分化成了诶这个。过滤的来源是黄色,大家可以看看黄色的具体分布在哪。哎,沿着这个边缘在分布。对吧。沿着这个形态学的边缘,就是说肿瘤。重度啊和没什么肿瘤的边缘在分布对吧。
19:00
一旦我们施展了药物治疗,哎,一旦有药物治疗,哎,它会恢复一段啊,有的细胞它会针对某些细胞类型呢,有一个治疗的效果,哎,那么他的CV事件就会慢慢的下降恢复,哎这个时候就变成了这个深蓝色就是这个。这个颜色聚成的这一类,但是呢,如果有的细胞发生了这个耐药。哎,就是说治疗对他无效,他的C位事际上会进一步积聚,哎就变得更加的恶性,哎就会支成哎,他的C位置就会更高,形成这个红色巨场的这一类。哎呀,就是边缘,哎,边缘这一类。当然了,这个样本呢?根据形态学,哎,分成了三类,哎,它判断的依据呢,就是说如果我治疗之后啊,你的行为事件下降了。哎,恶性事件下降了,说明你对这个药是敏感的。那如果说没有治疗之后呢,你的行为事件不仅没有下降,反而还增加了啊,说明对药物没有效果啊,甚至产生了耐药反应啊。
20:04
哎,这个就是文章中对C因为事件的一些应用了啊,一些应用了,这个文章呢,我都列在这儿了。所以burden和抗性是独立的。呃,其实也不算独立吧,有这个影响,就是说如果说有CN微博呢,就是CV负荷。CV复合的话,呃,你想想,如果这个药能治疗它啊,说明这个细胞慢慢在恢复正常嘛,那正常的细胞是没有CV的。对吧,但是如果说这个细胞产生了耐药性,它的C维就会进一步加剧,哎,积攒更多的C维事件,哎,它的朝着更加恶性的方向发展,这个时候药物是对它没有效果的。哎,这就产生了耐药,哎,这个其实这个分析啊,其实也是体现了这个。哎,这个其实也是体现了这个肿瘤内部抑制性的一个内容啊,因为肿瘤不存在不同的抑制性,所以它对药物的反应是不一样的。
21:06
T1和TC是反过来的,T1是哪个?哦,你说这个。这个是吧。蓝色区域,其实这个是放在统一水平下来看的啊,统一水平线来看,你看它的CV事件基本上都很少啊,基本上集中在0.2高一点,但这种呢,明显CV就会比它更强烈一点。啊,当然从这个图像上来看,好像是这样是吧,但是真正的分析的时候,要从数值上来判断,它判断的,你像这个红色区域好像是是吧。从这个TC的情况来看,哎,红色区域分布在这个,其实它也有一定有,也有一定的神为事件啊,也有一定的行行维事件。啊,当然这个帘是比较亮的地方,哎,它聚成了这个相对的,哎,和其他区域不太和这个这个区域。一样的地方,其实形态学啊,大家放大一点,我们放大一点看看。
22:01
大家可以看一下这个对比的不同啊。啊,其实中心内部就是这一块啊。对吧,它其实也是新闻事件的,只是图片放小了看不到。你像这个就更明显了。对吧。是吧,这个周围,哎,很明显它聚成了一个,呃,中间其实也也有一些啊,黄色的区域呢,就是正儿八经的一个正常区域啊。黄色区域就是那个来源区域啊。哎,如果他比如说这个地方,如果它产生了这个。哎,敏感敏感就是这个这个深蓝色区域对吧。深蓝色区域是哪儿?深蓝色区域其实就是。哎,其实它是用这个颜标来标的深蓝色去,就是越蓝色,它说明它正常性,它在恢复成正常细胞嘛,对吧,说明它的这个药果,哎,这个药的效果产生了一个很好的。呃,很好的一个疗效。哎,让他慢慢的恢复。呃,像这个底质呢,就是红色,它也是用这种颜色来标注了,红色就和这个我们这个卡拉坝一样的,越红说明是因为事件积聚的越多。
23:08
哎,那说明它这个效果就很很差,甚至产生了耐药等等,不过就是从应用层面来分析这个cna啊,啊目前呢,就是说单细胞空间能不能不能运用到这个,哎,临床上的研究啊还存疑,首先单细胞绝对是不可以的啊,空间上。呃,空间图像是可以的啊,有这个影像组学。有这个图像识别等等,这方向是可以的。那么对于这个,呃,就是空间这个表达值,就是转录组的表达值,是否可以真正作用于这个临床应用呢?啊,目前还存疑啊,存疑最大的一个问题就在于。首先真正起这个核心作用的是这个基因组嘛,发生这个CV是基因组上的事儿,发生克隆扩增啊,确实是基因组上的事儿,从而导致在这个导致了这个转录组层面发生了变化,比如说它扩增了,又本来是。
24:01
拷贝数是2,哎,现在变成了345,哎从这个直观上来看,就是说说这个从这个转录本上来看,哎,它的这个好像表达值变高了,对吧,如果发生了缺失,就是表达值变低了,哎,这是从转录组的一个水平上来看,但是啊,细胞内部有非常复杂的一个。哎,非常复杂的一个调节系统,再讲单细胞的时候讲过,就是说我们细胞内正常都有很多的一个C因为事件,哎,但是我们细胞能够调控它这些良性C因为事件啊,一般都不会对我们产生任何的损害,真正能够对我们造成损害的C因为事件啊。占总体是因为事件的比例是很小。哎,这个时候呢。呃,这个时候呢,一般临床应用都是基于基因组的CNV的时间来判断,哎,对于基于转录组的CV呢,目前只是一种哎辅助验证。哎,看看它over over expression还是说这个negative这样一种现状,但是啊啊也要注意,应用层面也是有的,在如果大家做过特检的话,在这个。
25:05
呃,有些疾病啊,它要求喝吐是阳性,喝吐是阴性等等,哎,就是要求你这个表达值到底是阴性还是阳性,哎,这个时候其实也是根据这个它基因表达值CNV的事件来影响他的。比如说他又有时候要求这个某个基因是固表的。哎,那过表达是怎么来的呢?其实就是CUV导致的。啊,所以说转录组层面更多的是一种,就是基因组带来的一个现象,哎,因为你发生了扩张,所以它基因变高了,哎,我们只不过是反过来推断,因为你变高了,我怀疑你是发生了CV事件。呃,这样一个相互验证的一个逻辑啊。哎,比如说这篇文章啊,这每篇文章呢,我都题目给大家了,大家感兴趣可以看一看,哎,我们在分析的时候,第一步先分析干嘛。呃,细胞的固定位,这个已经前面讲过了,在分析细胞固定位的时候啊,如果我们真对肿瘤细胞感兴趣的话,那就要分析肿瘤,哎亚型,比如说分了5个亚型,对吧,5个亚型的肿瘤细胞,它和哪些细胞存在共定位现象?
26:09
这是从细胞微环境的角度来看待这个。呃,肿瘤一致性。啊,当然了,我们更多的也会分析这个行为事件。细胞微环境,哎,大家抓住一点核心是什么呢?就是无论是供定位,哎,还是这个肿瘤的行为事件,其实本质上啊,我们都是从这个表达的情况来看。细胞为什么带在一起?因为它表达的及相互具有这个协同作用说明它,说明它们待在一起。哎,他们的CNV事件也是基于表达值来看的,因为它过表达,所以发生了更事件,哎,或者说低表达发生了事件。这样的话,通过这个基因组表达的一个层面,哎,来判,来推断这个肿瘤内部的一个一致性,以及它的。哎,空间分布特点。哎,大家可以看一下,首先呢,我们用这个无论是因为因为啊还是。还有其他的一些,呃,是因为软件分析得到的这样一张热图。
27:03
这样一张热图呢,就会体现出哎。每个亚克隆,哎,如果进行这个默认参数聚类的话,就会分析出每个亚克隆,哎像这里面它分了1234566个亚克隆,对吧,每个克隆内部呢,哎,都有一些相似的CV事件。哎,克隆之间呢,哎,都有一些差异,那么这个时候呢,诶就会开始构建整个的一个CV进化术。净化术的原理和刚才提到的是一样的啊,共有的是因为哎,出现在时间的早点。呃。个性化的CV呢,哎,往往发生在时间的默契这样的时候啊,对每个诶CV事间进行构建网络,构建联系,看看CV之间的一个轻疏源之性关系。哎,就可以构建出这个行为发育,呃,行为整体的一个。网络图。下面这张呢,就是对CV事件的一个空间分布。哎,空间分布对于我们这个空间样本来讲,我们区分normal区域和肿瘤区域啊。
28:03
其实啊,是相对比较容易的。哎,直观上就能看出来啊,因为肿瘤细胞一般都比较小啊,染色比较深。呃,所以说呢,一般都能看出来。但是肿瘤内部的一致性就需要靠数据的力量来进行分析了,就像这个一样,我们虽然可以区分normal和tumor,哎,但是TOR内部。哎,有那些亚克龙的一个。啊,说白了就是肿瘤亚型,哎,这个时候该怎么办呢?哎,只能借助数据的力量来判断,像这里分了5个亚型,呃,并且有5个亚型内部都有一定的联系,也有一定的个性化的行为事件分布等等。右边呢是对这个文章中对CV分析的一个简单的总结,大家可以看一下。肿瘤细胞的亚克隆。怎么样写错了啊?肿瘤细胞的亚壳隆分布在肿瘤细胞负极中心,呈现哎环状分布,哎,就是这样的。
29:04
大家要注意,首先第一句话是说明肿瘤亚群在空间上的分布特点。哎,这个单细胞是做不到的,我们需要空间来帮我们做到。哎,首先呈环状分布对吧,一环套一环这样一个模式,首先绿的黄的哎,各种各样大致呈呈现这样一个分布。哎,反映了CM肿瘤细胞表型的变化可能通过亚克龙进化来实现的,也就是说啊,整体的分化过程中啊,它这个C为事件其实存在着千丝万缕的一个发育的联系啊。也就是过渡的一个情况,在单细胞讲过这个过渡的一个分析内容,哎,在空间上也是一样的,它这个从一开始的CV慢慢过渡到恶性C因维,不同的亚型之间,其实都是一个在分化过程中,因为积聚了不同的神因维事件导致的一个特异,呃,导致了这个,这叫这个。抑制化的一个现象。第二个呢,就是我们要判断是因为事件之后,第二个要干嘛。
30:02
哎,C事件最直观的表达是什么?哎,最直观的表达就是哎,类似于这种的。哎,一条染色体上大家可以看一下,经常会分析到一条染色体上整体都发生了这个行为根事件是吧,通过这样的一些呃,一个内容呢,可以进一步来判断,哎,我们的空间样本,它的C因维含量的分布状态。在这篇文章中呢,哎,就是这篇文章。首先呢,哎,分析这个新为事件的一个,哎热图看看它的一个分布。同时呢,依据CNV7诶的一个扩增事件来计算这个。哎,每个port它到底是扩张还是缺失等等这样一个内容。哎,这里面简单的介绍了他的一个做法,哎,为了识别这个恶性sport呀,他采取了这个English新规分析,哎,用这个正常的去,哎做一个refer。哎,攻击肿瘤细胞含量的时候啊,基于他们的这个CNV事件的一个分数,这个分数哪来的呢?其实就是CV事件,诶给大家了一个,呃,一个新的矩阵,就是C因V矩阵,那个矩阵就有分数啊。
31:15
哎,就和他这个,哎估计肿瘤这个含量这个示意图是一样的,哎分析了肿瘤的一个热图,分析之后呢,哎,识别肿瘤具体的实因为事件,比如说是染色体7的一个application。哎,这里面他为什么呃选择了这个application呢?哎,他其实是把这个呃各种各样的application啊作为一个指标了。这个指标呢,哎,得到的分数呢,对这个指标进行一个评估,评估完之后呢,看看哪些细胞得分高啊,哪些细胞的得分高,哎,哪些细胞的得分低,哎等等等等这个地方啊,大家它视例是染色体器的这个MPK就是CNV起啊染色体器的扩增事件。哎,同时大家也要注意啊,这个缺失事件也是需要考虑的啊,计算这个相对的去,哎,染色体扩增或者缺失,哎。
32:02
从而综合来判断,哎,整体的一个。纤维扩张这个地方,为什么要把这个染色体呃扩增和缺失分开考虑呢?因为扩增啊,比如说扩增大家都是正分,比如说你扩增了0.5,好,我的分数就是0.5对吧。0.5对吧,那缺失了0.5算什么。-0.5,哎,这个是不可以的啊,那这样的话正负就抵消了,导致它无法识别了,所以我们要把这个染色体扩增的事件,哎放在一起,比如它扩增的整体得分是10,对吧。哎,它也有缺失事件呢,那缺失事件我要也要加,比如说缺失事件呢,发现了都是负的是吧,相对于2,它比如变成了1,变成了0等等等等,加起来可能是负值。负值之后呢,比如说它是-10。哎,那么我们在考虑这个扩增和趋势事件的时候啊,其实是要用它的绝对值来判断的啊,不能简单的说它是负值就负行,不是简单的这样一个运算啊,它是相对于我们正常的染色体拷贝数,比如说是2。
33:05
这个分数而来的,无论是扩增还是缺失,都是正得分,以此来判断他的CV事件哎的恶性程度。哎,所以说这个文章采取了这样一个原理啊。还有一个就是这个CV含量,它的一个u ma分布啊,这个就是可视化的一些展示了啊。哎,包括这个含量的问题,最后呢,最后一个呢,哎,提醒大家一点。大多数的sport有这个h he3K27M突变,Also exhibit的broad c, 因为也就是说有这个基因的突变往往就是什么,体现出更广泛的行为事件。突变这个事儿啊,第一节课包括后续的课慢慢都讲过啊,慢慢都讲过,其实已经已经被纳入到这个单细胞空间的一个日常分析了,虽然它只能捕获一定的区域,对吧,但是这个区域很多有些突变啊,正是我们想要的。
34:03
呃,大家如果看的文章多了之后啊,就会发现很多文章都会把这些突变信息给它放进来,尤其是高分,现在NC都放了。啊,那更别提那些其他的了啊。突变事件和CV事件的一个共存的一个状态,诶,正是大家在临呃推向临床研究的一个重要的一个指标。啊。首先呢,哎这一篇呢,主要是基于这个表达值来推断的适用率,哎这篇呢,基本上推断从这个基因组角度。哎,来判断的是因为事件啊。哎,这个文章呢,就更加的经典了啊,更加的经典了,大家可以看看它整个的CV图谱。对吧,整个的事情为图拿到一个全面的一个整个的一个大块的组织。哎,不同的区域把它,哎。呃,进行一个空间的转录组的一个分析,哎,分析完之后呢,看看它的一个CV。
35:02
诶,这个地方呢,大家它主要是研究这个special in文NV的时候,哎,算法是基于这个英文CV。哎,从它的一个。哎,整体的一个判断来看,大家可以看一下,它依旧沿用的是十乘微这样一个平台。采取了不同的组织,然后构建了整个的克隆进化术,哎,进化术的原理和刚才讲到的是一样的。都有的事件,说明发生的越早,哎,慢慢的开始分化,哎,分化成这个,呃,恶性越来越严重的一个抑制性的一个事。哎。这样的话,对每个CV呢,哎,各个肿瘤进行一个研究,这是一个研究的一个简单的结果,就是组织是,呃,组织学上的良性和恶性的区域可能存在分子关系。也就是说什么呢。首先啊,我们大家要理解就是说CV事件是首先正常发生在这个正常细胞,对吧。哎,先有那么一点儿,但是呢,这一点呢,细胞是呢,可以耐受的,所以说体现的还是正常的一个状态,但是它已经发生了行为事件了,已经朝恶性方向开始转变了,只不过还比较轻。
36:06
那等到这个CV事件进一步加剧的时候呢,慢慢就演化成了我们形态学上这个恶性的一个support或者细胞了。这里面呢,就是要告诉大家,良性组织内可生可能已经出现了广泛存在的体细胞突变事件,就是CNV事件,哎,还有一些碘突变啊等等这些事件,哎,相应的肿瘤克隆编辑肿瘤克隆啊,那跨越组织编辑啊。就是说它克隆的机具啊,存在一致性,向各个方向延伸。哎,这个就是简单的一个示意图了啊,大家可以看一下。哎,首先呢,哎,每个CNN事件呢,它的空间分布可能存在一定的差异,对吧,当然这都是亚型了。他们正常的来源都是正常的,就是肿瘤细胞一开始发生的是因为事件慢慢积聚而来。哎,慢慢积聚而来的时候呢,不同的CV事件,因为朝着。呃,这哎,还有一点需要提醒大家的意思,就是恶性细胞它发生CV事件和突变事件是随机的。
37:02
随机的啊,不是说啊,不是说这个。啊有有这个这个固定的方向,只是说随机了之后啊,有的能适应环境,有的适应不了环境,导致了这个神,因为事件产生了一种这个叫生,就叫生存优势。嗯,还有另外一个词我给忘了,就是说这个环境,哎,比如说这个环境有这个有这几种CV事件啊,更适宜生存,哎,他就慢慢的,哎这个慢慢这个肿瘤亚群的,这个肿瘤亚群啊就占据了主导部位了。哎,其他区域呢,是用更大的一个行为事件,就慢慢的占据了这个主导部位。你看就是因为世界内空间分布一个状态。哎,相当的一个。相当的一个夸张啊。然后呢,我们在拿到这个形态学的一个整体的,哎,就像这个文章一样,拿到形态学整体的一个图谱之后呢。哎,进一步分析分析分析,哎,分析出来的时候啊,就会发现不同的区域。聚集了不同的肿瘤亚群,而不同的肿瘤亚群呢?
38:04
怎么办啊,怎么样啊,拥有不同的这个CNV事件啊,不同的CNV事件,这也是CNV事件进行一个复合分析和剧烈分析的一个。主要的一个内容,大家可以看蓝色吧G。这个这个地方哎是过渡态,哎这个地方呢,已经完全是。哎,坏死,呃,肿瘤区了啊。哎呀,每个地方呢,都分成了比带和转换区域,包括这个。呃,恶性区域等等啊。啊,右边这张图它体现的更直观一点,哎,别赖脾叽叽啊,就说啊。良性区域和这个肿瘤区域之间的一个空间位置关系啊,它的一个分布状态啊,123456789啊,这个是剧烈的结果。哎,剧烈之后呢,其实正常区域也会聚成不同的类,说明他为了适应肿瘤环境,其实内部呃。这也有可能是肿瘤在改造我们的正常环境。
39:02
啊,也可能是我们的正常环境在适应肿瘤的一个发展。总之啊,他们两个是相辅相成的啊,不存在一方占,不存在一方是一方发挥作用,另一方不管不起作用的这样一个现状啊。哎,这篇文章通过分析呢,就会发现,哎,整体的一个。不同的这个肿瘤样本啊,不同的肿瘤样本,它的肿瘤亚型的分布,以及它的一个哎,空间生态位的一个内容,像有的肿瘤啊,啊,它需要多细胞协作,多种细胞一起协作才会发生啊,有的肿瘤可能就是单一细胞类型起作用就可以。啊,你像这个胶质瘤啊,需要多种细胞类型混合在一起才会形成这个恶性胶质瘤,这也是为什么对空间研究一个重要的一个意义啊。所以说啊,在影像组学有一个专门的方向,就是直接能识别恶性细胞呢,对它进行一个大量的片子进行训练之后啊,一旦发现这几种细胞类型粘在一起啊,那很可能就是恶性肿瘤了。
40:00
哎,就是这么训练得来的啊。这个呢,就是一个。哎,这个呢,是一个项目啊,就是我做的一个项目,哎,不是文章了还没有发,但是这个图片啊,可以简单给大家来看一看,比如说我拿到这个样本,哎,上皮细胞发生了癌变,对吧,发生了癌变。其中呢,最主要的一点是什么。单细胞讲过这个群,哎,它可能是个过渡群,那到底它到底是不是呢。哎,单细波是无法给出给出这个结果的,这个时候就需要空间的力量来告诉我们它到底是不是。拿这个群。呃,去和单细胞啊,那把这些单细胞的数据啊,和单细胞空间进行这个联合之后啊,就会发现。哎,这个群一一这个群你看一一这个群呢,上半部分哎,是发生了明显的行为事件的,但是下半部分呢。哎,好像是和正常细胞相关对吧,那么通过联合之后就会发现。哎,单细胞空间联合之后就会发现这个群啊,哎,部分存在在肿瘤核心区内部区啊,部分存在在交界区。
41:04
哎,说明它确实是一个很转换的一个状态。明白吧,哎,部分是正常的,体现出正常的一个状态,而部分又有了CNV事件,说明它在表达上非常相似,首先它能聚成一类,说明基因表达是非常相似的,对吧,但是从这个CNV分析来看,它又有一部分细胞,诶,内部游戏细胞是发生了CNV事件的,那么从联合的结果来看,确实存在了,它有的是在内部,有的是在这个正常区域的话。呃,说明他正在向恶性转变。哎,说明这个群是个过渡群,对过渡群的研究,哎是哎,分是分析的一个重点。啊,至于它已经完全形成恶性了,或者完全是正常的。这个时候,呃,这个研究他们。啊,重要性没有研究这种转换状态的重要性来的意义大,就像大家研究肿瘤,经常会研究这种。这种监制转换区域,哎,也是一样的。
42:00
啊,这个图呢,也是一个项目文章的来源啊,项目文章的来呃,项目的来源哎,也是对这个行行为事件进行分布,呃,剧烈之后呢,也是要重点识别固度态的行行为事件,哎,以及细胞区。哎,像这种过渡态啊,往往呈现出什么样的特点呢?哎,就是这种特点。哎,正常也有分布,而也是肿瘤区域也有分布,哎,说明它这个细胞啊,正在过渡啊,对它的研究就比较重要了啊。哎,这篇文章呢,就更加的一个,哎,更加的一个重要了啊,像这篇文章呢。大家可以看一看。哎,形态学的话,黄色是正常,哎,这个浅浅蓝天蓝这种蓝色这个是这个,呃,绿色的这个是。哎,间质呃,就是这个交界区域,哎,深蓝色是肿瘤区域,分析的时候呢,以这个黄色为这个参考。哎,分析这个监制区域和肿瘤区域内部的一个行为事件的一个分布。哎,大家可以看到整体的一个分布状态。
43:03
这里面它依据C因为来做了什么呢?其实是做了C因为抑制性,首先这个样本大家可以看一下,哎,T就是TOR的意思,哎,整体都是TMA,但是呢。首先第一步要会会干嘛会看。首先呢,黄色是normal区域,这个这种蓝,呃绿色呃,浅绿色啊是这一种颜色吧,浅绿色,然后它它属于这个交界区域,但是这种呢,其实也开始发生CUV事件,在肿瘤内部呢,哎也零散的分布一些这种哎交界区域存在的哎存在的这个抑制性的一个。细胞。然后呢,整个的肿瘤区域呢,呃,也分成了好几块儿是吧,说明真的有肿瘤内部一致性,那么从CUV事件的考虑来看,哎,大家可以看看。首先呢,诶每个事件它都标注出来了。对它进行剧烈之后啊,比如说这些区域,哎,它的新闻事件的集中在哪儿呢?首先这个。哎,这个区域,哎1.2。
44:01
这是第二个群,哎,它这个地方就是染色体8。到染色体9之之间,哎,有一些扩增事件对吧,有一些扩增事件,哎,但是在另外一个群哎5群哎就没有。说明群与群之间确实是因为是呃上是有一些不同的。但是呢,你像这个二群呢,在这个11号染色体。这块儿和13,呃,12号染色体末端包括14号这些染色体,哎,是没有纤维事件的,但是在这个五群里面,诶,它的11号染色体,12号染色体啊,这几个染色体之间呢,就会发生这个。扩增事件。对吧,扩增事件,哎,还有其他的区域像6群,6群是这个。啊,这个群。这个群哎,它相对于其他的肿瘤群呢,也会有不同的这个CV事件的一个分布。哎,每个人C因为事件把它标注出来就会发现,哎,比如说6群这个地方是这个哎,没有CUV的,但是其他的群呢,这个地方一开始就有了C因V了。
45:04
啊,像六旬呢,你大家可以看一下它的CV事件,相对于其他是相对的。哎,相对的比较平缓的。哎,说明他的C位负荷呀,并没有那么重。哎,这就是从CV的角度来分析它整体的一个,哎,肿瘤内部抑制性的一个判断。哎,右边这张图呢,也是一个项目文章来源啊,大家可以看一看,就是对于正常来讲和种呃,正常来讲和种类来讲,对正常进行一个正常组织进行一个呃选选择作为这个reference的时候,分析内部的一个一致性。哎,如果说它的像这种啊,就是我们想要的那种结果,它往往预后比较好,也就因为他这个纤维事件啊,哎,很均一啊,说明同质性很强,哎。同质性很强呢,说明对他的治疗效果越好啊,像这种抑制性的,哎呀,各个染色体不同群之间存在抑制性的啊,这个对于我们后续的愈合治疗往往是很大的麻烦啊。
46:01
呃,下面这段文字呢,是一个简单的总结,就是是因为越早发现的位置,哎,说明该去最早癌变。而癌变区域通过CNV事件不断的演化和细胞侵袭造成了不同。组织部位的肿瘤抑制剂。哎呀,对肿瘤研究最怕这个肿瘤一致性啊,一旦发生肿瘤一致性,对治疗来讲简直是灾难啊,而不同部位的肿瘤区域呢,微环境必然存在差异诶,CV事件的空间突破和肿瘤微环境的研究有利于对疾病的认知、诊断甚至治疗啊,这个地方就是为了研究一致性啊,因为。首先如果说治疗的话,比如说治疗用外显子,用panel,用全基因组治疗,那个时候啊,是拿不到单细胞级,甚至像port级的。哎,他只能告诉你整体的突变率是多少。是多少,往往治疗了一次之后啊,只能像这个,如果说我们以空间的角度来看,比如说比如说这个治疗之后,对这个蓝色的这个药,对这个蓝色的这个肿瘤细胞有这个效果,但是呢,其他的肿瘤,肿瘤细胞呢,就会获得生长优势。
47:05
哎,慢慢的这个呃,橙色包括这种颜色,它就会获得生长优势,占据主导,这个时候呢,这种治疗啊。哎,往往就体现出复发,而肿瘤一旦复发,几乎就可以宣判死刑了。哎,这就是意识性带来的最大的一个灾难,但是从这个外显子和基因组的角度呢,又无法真正的。把这个意志性给它区分出来。就是说只能告诉你,哎,有这个突变,有这个突变你要用哪个药。呃,单一用药的话,很容易只会对这个,哎,小群就是单一亚群有效果。哎,如果想对整体的一个肿瘤,就是说肿瘤抑制性,比如说5个肿瘤抑制性亚群都能起到效果。哎,这个还真得影像主学和空间转录组学来帮我们来识,呃,认识这个问题啊,还真的那个光靠这个呃,外显子啊,光靠这个单细胞啊都无法做到。当然了,我们临床更喜欢这个右边这个状态。
48:02
哎,统治性很强的这种,哎一个药就能把它干掉,这种是最好的。哎,这都是项目文章啊,项目文章嗯,这里面主要体现的就是说什么呢?哎,我们分析的整体CV事件啊,不仅要体现出它这个热图,哎,也要把这些行为事件放到这个我们的空间上,我们空间进行剧烈之后要知道。哎,每一个类它到底发生具体的生因为事件是什么?哎,是哪个染色体高了,哪个染色体低了,哎,包括最好能知道这个染色体上哪些主要的基因表达高或者表达低了。哎,这个是项目啊,项目项目来源的啊。哎,右边这张图也是一样的,哎,也是来源于这篇文章,哎,拿出来给放给大家呢。其实要。呃,让大家学会判断这个这个C,因为事件意志性,哎,不同亚群的意志性的一个,哎,看法以及它分析方法。像这种哎也是一样的,哎L区。
49:01
哎,提模去,哎,都存在内部的一致性,每个内部的一致性还不一样,你像这个样本,它虽然同属于一个癌种。哎,同属于一个癌种,同一癌种内部都有一致性,对吧,是因为事件分布哎不一样,有的扩张,有的缺失,哎,相同癌肿不同病人之间。哎呀,它的C维分分布也是现也是有很大的一个差异,大家可以明显直观的就可以看出来。啊,有很大的一个差异。哎呀,就是说不同病,虽然说同一癌肿,不同病人的抑制性也是非常高的,对我们的后续治疗以及研究啊,都造成了很大的困扰,我们都希望找见一种就是肿瘤的一个什么。同质性的东西,比如说我找了100个病人,他们都是肺癌,他们都有同样的一个特征,而我针对这个特征进行一个治疗,我就可以把肺癌这个病给攻克了,这是我们最理想的一个状态啊,实际上是呢,是完全不可行。啊,就是病人之间抑制性也很强,是病人内部的一个亚群的抑制性也非常强。
50:01
所以说在这个研究啊,一直在路上。哎,最后简单聊一聊关于聚类的问题啊C,因为聚类呢,单细胞也聚类啊,当然空间上也聚类,聚类的效果呢,就类似于这样的。哎,把不同的CV事件,他们如果拥有相同的CV事件呢?给它聚成一类。哎,恶性1相当于是相当于什么呢?哎,恶性最高的巨生一类,恶性中等的巨生一类,这样的话对于我们研究克隆进化,呃,是因为克隆进化的,以及这个CUV随着组织演演变的一个过程啊,非常有帮助。但是对于我们空间转录组来讲啊,聚类的方式有很多种,像这篇文章啊,给了5种。哎,首先呢,是形态学识别,我们可以人为划分对吧,第2个什么基因表达,这是大家最常用的。啊,第三个呢,就是这个。RCTD肿瘤细胞啊,其实它是节选剂之后对这个肿瘤细胞呢的含量进行一个判别。啊,最后一个呢,今天这个D呢,就是我们今天要讲的CNV聚类的一个方法,哎,对它CNV事件的一个高低等高低的一个不同,哎进行一个聚累,最后一个呢,有Co推我们细胞,哎这个是一种打分的方式啊。
51:12
哎,右边进行了一个总结,其中分子聚类和细胞聚类这个都讲过了啊,这个都讲过了,就是逆式那一节课,哎,实验位聚类呢,单细胞讲过神验位聚类,哎,今天我们要讲空间的神验位聚类啊,QQ非划分呢,这个是打分了,打分不是这不是我们这本次课的一个范畴啊,但是去年的时候专门讲过一些打分。哎,如何通过这个打分的方式来识别不同的区域?哎,也是非常有效的SME聚类呢,哎,S是那个ST伦那种方式,ST伦也专门为这个空间转动组创造了一种剧烈方式。这个距离方式啊,是既考虑空间的表达,也考虑空间的淋域啊,具体的做法呢,就是对每个spot的图像性,就是个像素信息进行识别,如果像素信息非常接近,哎,说明它这个权,这个表达值当的权重啊,接近一点啊,通过这种方式来之类,不过这种方式啊,目前还没有文章来引用啊。
52:10
哎,这篇文章呢,大家也可以看看,哎呀,关于研究肿瘤细胞的,其中最主要的呀,就是要体现出肿瘤亚克隆,哎,独就是独有的肾,因为事件和空间位置。哎,这是我们分析CV的一个核心,就是说共有的CV事件啊,啊,因为大家都有了这个可能研究的就对于共,呃,同质性的问题呢,也需要研究,但是我们现在更多的是要研究意制化的东西,就是每个雅群它到底是。发生了哪些神威事件,以及它的空间分布特点是怎样的,像有的聚集,有的分散等等,分散的说明他们,哎,很有可能在扩散。扩散。啊,那么集聚呢,聚聚集的呢。哎,具体的很可能已经成型了。哎,这篇文章大家也可以看到不同的一个克隆对吧,不同的一个克隆,哎,它的一个克隆的一致性,对这个克隆的一个CV啊,进行一个聚类之后呢,聚类之后就会发现不同的克隆呢,存在在空间的不同位置。
53:08
对吧,不同的位置呢,不同的克隆呢,又有不同的这个行为事件,包括概事件,落实事件等等,拷贝数变化等等等等啊。哎,研究是空间C因V事件的分布与活性组织区域内C因V事件分布与活性差异很大,哎,C因V事件的空间突破有利于我们对疾病的空间认知和诊断,甚至治疗,也就是说我们在对这个CV事件分布的呃,空间分布的时候要。哎呀,做一个比较详细的了解啊。其实这里面还是要强调,就是说我们拿到这个新规分析结果呀。拿到C行维分析结果怎么办?哎,要要对它这个C因维结果进行一个分类,分类无论是层次聚类还是类似于单细胞的聚类方法,分好类之后呢,每一类其实拥有比较相似的行为事件。对吧,哎,相似的是因为事件呢。哎,它的空间分布是怎样的?哎,就能体现出空间的一致性,这个时候我们既拿到CV事件的空间分布。
54:05
哎,也拿到了不同亚,呃,也能拿到空间的一个不同肿瘤群的抑制性的一个体现啊,其中呢,大家可以进一步,哎呀分析一下空电位啊等等等等,不同的亚群,比如说不同的克隆型,它和哪些细胞存在共定位,它的微环境是什么,是怎么导致了它这个哎肿瘤亚群的一个发生等等等等,需要把前面用到的方法都给放进来了啊,这个分析如果把这个哎好好做一下的话,需要多种方法联合一起使用。哎,分析就比较复杂了。这个图,哎,大家看看没。哎,很明显是那种Python的一个分割啊,说明它是因为是因为PY分析的结果啊,也是一样的啊,哎,肿瘤细胞含量的分布,哎,是因为事件的一个判断。这个里面多了个什么呢,多了个这个。CNMF, 这个大家应该听过。
55:01
选择这个基因program的时候会经常用。呃,但是呢,这种这种c program就是CNMF这种方法呢,一般不单独存在,一般在前面的,一般在这个。呃,就是前面有一些分析内容结果之上,对他进行一个进一步的分析,比如说我们分析了这个V事件,知道了CNV的空间分布,哎,知道了CNV的一个聚类的结果。对吧,这个时候呢,我想知道,哎是因为导致的它那个,哎这个叫直译过来叫原程序,就是Meta program或者Meta model这个基因,哎,它这个基因模块就是说C因V事件引起的基因表达的特征的变化。哎,它的一个模块是什么?哎,往往会用到这个CNMF做一个表达特征上的一个分析。哎,这个文件在这儿。哎,其中呢,第一个用了和segment segmentation哎,就是和哎分割这个图像识别啊,我们到后面还会再详细的讲它啊,对于我们微什么来讲,也会进行和图像分和图像识别的这样一个内容。
56:04
哎,加上C的一个分析。再加上这个特征事件。哎,从多个角度来判断这个一致性啊,CV的一个events。啊,这是核分割啊,下面是个原理啊,就是核分割之后呢,节卷基节卷机之后呢,形态学识别,通过多种识别之后呢,哎,来判断这个肿瘤细胞,其中呢。这个文章要注意一点。肿瘤细胞啊,判断之后呢,也要判断什么。微环境啊,不同的亚菌必然存在不同的微环境啊。哎,我们对温环境也要进行一个分析。当然了,这个分析就要结合前面的供定位,结合前面的生态位分析了啊。哎,好了,这就是CNV的一个。内容了,其中呢,有很多文章都用到了C,因为现在已经成为一个比较普遍的现象了,所以说大家如果说做肿瘤样本研究,做其他的一个研究的过程中啊,一定要对这个CV事件引起足够的重视啊,尤其是这个CV波顿和CV聚类。
57:05
哎,现在已经成为一个分析的共识了。好了,我们休息5分钟吧,休息5分钟我们来分析一下代码的部分,好吧,休息5分钟好。
61:51
好了啊,我们来。哎,首先来简单回顾一下啊,CV的一个波,哎,C因V负荷,C因V一致性,C因V聚类。
62:02
这是我们这节课的一个核心,包括文献在运用的时候,哎,每个CV的一个,不仅要知道它的CV事件。你要知道它的一个CV的一个分布,哎,空间分布,不同的一个空间分布一致性是如何的,要会用啊要会用。好了,我们来看看代码部分啊。看看代码部分。关于这个英文UV啊,大家不知道大家是自己分析啊,还是那个拿到公司分析去了。哎,如果说自己分析的话,需要准备这个几个文件,一个是这个注释文件。哎,空间的一个,哎,这里面呢,就是逆啊,这里面强调过啊,空间我们不讲cluster 123单细胞讲cluster,哎,我们空间讲逆Che啊,第二个呢,就是基因排序的一个文件。呃,就是说这个染色体,这个基因处于哪个染色体。
63:01
哎,它在哪个位置,哎,就是BY文件说白了。呃,其中呢,有一个常见的问题,就是说这个习惯可能和各个公各个公司不太一样。有的公司呢,它的基因排序啊,用的是这个基因森宝就是CD3D啊这种俗称。啊,有的公司呢,是用这种标准化,就是唯一标识不的一个写法。哎,各个公司都有一些区别,不过大致都一样啊。分析完之后呢,会拿到一些很多的一个分析结果啊,这个结果非常多。哎,不知道大家认真看过没有。哎,分析结果非常多。哎,其中呢,有几个文件比较重要啊,比较重要首先是这个以data。为结尾的这几个文件。哎,首先是这个结尾第一个文件,这个data是什么。哎,染色体,哎,染色体的一个位置,第二个呢。预测出来的基因的一个是因为事件的一个分数。哎,比如说细胞一,哎,不同的区域,哎,它的细胞一这个基因。
64:03
他的状态是1。说明是什么这个状态啊,前面提到过状态主要是有两类,I3和I6对吧,这里面呢。1哎,这里面一就是什么。哎,这里面依旧是什么。哎,确实是这样。哎,依旧是缺失事件。啊,如果大家选择了是I3 2就是normal 3就是GA对吧,如果选择了I6,哎呀,对照的来就行了,0就是完全缺失,1就是部分缺失,二是normal。哎,3是扩张,呃,3是啊还是啊3是那个。啊,反正对照那个I6那个模型就可以了,456应该都是扩增,只不过扩增的程度不一样啊,像I3就是只有三种,Loss normal和这个。Again.第三个呢,这是基因的层面啊,就是说大家想知道哪个基因发生了,是否发生了C,因为就从这个文件里面找。
65:02
还有一个呢,就是这个区域的一个CV文件。哎呀,这个是从区域的范围来判断,这个是因为是否发生了这个跟还是lost事件了,哎区域呢,就是不同的地方啊,1REGION准46,就是说染色点1号区域46啊,它的位置是他到他,哎发生了这个缺失事件啊,这是从一个从基因角度。哎,一个从这个区域的角度。哎,剩下的呢,就是一些。哎,剩下的呢,就是一个从这个逆次的角度,哎判断了。哎,预测出来的这个地方呢,加进了加了一定的显著性啊,就是用仆从分布啊,一定的分布。呃,进行了一个normalization均匀化的一个那个啊。大家来看的时候要会看,哎这几个文件,哎,非常重要。还有一个呢,就是这个文件。哎,G group文件这个是,哎,将来大家那个对它进行一个,因为如果大家选择了这个CV聚类,就是它默认的那种层次聚累的方式,哎,这个文件会给大家聚累好啊,哪个其实是哪一类。
66:11
呃,聚类好啊。还有一个是比较重要的是。这个。哎,Sell, 诶,这个是注释文件,不是这个啊。还有一个比较重要的是哪个呢?热图的阈值。呃,观察到的路,看看这个。哦,也不是这个。FS the gloe glo.还有一个是。点到点到这个降噪讲过了啊,大家回头看一下。小黑的map这个吗?
67:03
也不是。忘记是哪个了。就是大家画进化术的一个文件啊。嗯,就是大家画进化术的一个文件,好像是。哪个来着。这个进化术文件啊,有一个明显的特征,应该是这个文件啊,应该是这个文件,只不过这个进化术文件啊,如果大家指定了这个三跑模式。3模式是什么呢?就是说已经给它命名好了,哎,这个样本属于哪个哪个例齿,哎命名好了之后呢,它就会这样了,但是如果大家没有命名。采用了这个cast模式。哎,S class的模式,哎,这个地方呢,就会告诉大家它是哎1.1.1,它开始内部进行分层聚类。
68:00
哎,从而拿到一个,哎,我们刚才提到这个PPT,提到这个进化术的一个内容就是。哎,绘制这个进化术哪儿去了?哎绘制这种进化术,哎克隆萃进化术的这种内容啊,需要这个文件啊,当然我这个模式可能没有。哎呀,我这个模式可能没有啊,真正的话要拿到这样一个文件。我先给大家收一下啊。哎,就是画这种精华树的一个文件,这个文件是哪种格式呢?哎,没有写。好像又不是这个。肿瘤计划书啊,我们看一下。
69:00
哎,就这种。那个进化术的那个文件哪写啊,这个是得到的。哎,就类似于这种的。然后是这个,呃,也是一个data文件,我看看有没有啊。所会去region。哦,就是这个文件啊。看一下。新贝塔。所以我也去瑞这个。啊,只不过这个呢,我用了这个逆词命名法了,如果大家不指定这个CL group, 而采用内部的subcast的话,它会形成这样一个内内容。哎,它内部聚离是因为自己聚类聚离完之后呢,会有这个1.1.1这种哎现象,就是1和2 1和2分叉制的,这个1就是根源,2是分叉。呃,第二个一次分叉,第三个一再分叉,分成了8个,一个单独的一个聚类,从而绘制出了这样一个,上面提到的这样一个。
70:02
这种图啊,分叉分叉分叉哎,不同的分叉呢,代表了松哎。不同的行为事件,如果大家共有的行为事件呢,说明是这个树干,哎,和刚才课上讲到的是一样的,一旦发生了一致性呢,就会开始分叉,分叉,哎,不同的分叉拥有了一些个性化的行为事件。哎,这个单细胞在绘制的时候要绘它空间也要会啊。还有一个内容呢,是什么举证,哎,它会产生一个新的这个。呃,谁会矩阵,哎,这个矩阵就告诉你,每个基因就是刚才提到的推断的那个分数。依旧是normal,如果是低于,说明发生了loss事件,高于1说明了更事件。哎,这个阈值是多少呢?单细胞讲过,如果采用硬阈值的话,是1.05。哎,和0.95这样一个阈值,但是像软阈值的话,我们推荐大家采用软阈值,通过一定的这个方差分析,哎,来判断这个CV的一个方面,这样的话更加的准确一点。
71:01
哎,拿到这个结果之后呢,我们就要进行我们的这个。空间CV的一个分析了。哎,这个脚本啊,待会儿会发给大家啊。首先,我们启动Python。加载。这些包啊,大家自己要装上啊,会装。哎,全部都装上。这里面提醒一点啊,如果大家的,如果大家啊,这个应付C,因为是公司给的。哎,可能不会把所有文件都给大家,可能像我一样给一部分。给一部分。哎,给一部分啊。哎,如果大家想要这个对公就说我要所有的文件,哎,大家把这个文件都拿到啊,这个文件大概多少个,看一下。
72:03
啊,72个文件啊,都要拿到啊,每个文件大家有空可以研究研究啊,其中最主要的几个文件已经跟大家说过了,当然还有一些其他的文件,比如说这些图啊。什么意思?哎,大家回头看一看,他为什么要用雷这种方式聚类等等啊。哎,我们把这个图片都加载上。第一步干嘛?哎,读取我们的注释文件。读取我们的注释文件啊,就是我们的文件。这个文件呢,其实就告诉我们。每个B库的,哎,Class的它具体是,哎属于哪个群,哎,我们的空间群以例来讲,不讲class的啊,还有个什么。分析C为事件之前啊,呃讲刚才讲PPT已经强调过了,我们要以normal的去作为这个啊。Normal的区域作为啊,就和PPT一样。选择这个normal的区域作为啊。
73:02
不能把这个不能不指定啊,不指定它会把整体的一个样本当成一个平均值,当成一个refer,这样的话干扰性非常大,哎,千万不能这样啊,一定要指定成这个normal refer, 我这边指定的就是逆9。哎,分析出来的一个结果。哎,接下来呢,读取我们的CV矩阵。哎,读取我们的行为矩阵啊。这个矩阵啊,为什么会变得这么大呢?哎,理由很简单。里面都是一些小数啊。大家可以看看里面都是些小数啊。这个值都变成了以1为这个参考值,就是正常的是1,其他相对于1的一个参考值,所以说呢,整体的值都变的一个。啊,非常的长,导致它矩阵变大,但真正的count矩阵才200多兆。哎,谁会举证1.2g。就很麻烦了啊,大家如果自己分析的时候,尽量用Python分析啊。
74:02
接下来呢,就是读取我们的这个空间样本了。哎,读取我们空间样本啊。第一步。分析肿瘤复合。哎,分析肿瘤复合。哎,谁为矩阵分析肿瘤复荷,刚才提到了分析肿瘤复荷的时候呢,哎,一方面要分析它这个更事间的负荷,一方面要loss之间的复荷,最后呢。呃,进行一个综合,这样的话判断出来的它的一个内容啊。哎,才是相对比较准确的啊。好,来看看如何?其实负荷的时候啊,大家很明很明显都可以看出来它的一个。哎,分布状态。不喝。
75:01
哎,这个地方为什么没有复合。负荷度很高啊。都集中在1左右是吧。这个值啊,太小了啊1左右。Past.大家要注意啊,它那个值啊,都非常小,那个判断出来的值都非常小。哎,如果我们采用这种,哎,它经过闹烂子的这个矩阵。哎,效果会好一点啊,效果会好一点,我们试一下啊。
76:04
好。哪儿去了?我们来看一下,稍等一下啊,这个矩阵稍微读一下。好。
77:02
哎,这个地方,哎,为什么少了个八库的。重读一下啊。大家注意啊,信息要对应啊,信息要对应,如果出现这种问题,问题的时候一定是这个前面读取和处理的时候存在问题。大家要回头把这个问题处理一下啊,所以说这也是为什么这个脚本都喜欢封装类的原因啊,如果一行一行读。出现问题得往前倒。而一旦用这种封装类脚本呢?啊,一旦出现问题,只要改其中的内部逻辑就可以了。那就不需要一头从头到尾一起分析了,这就是为什么给大家的脚本很多都是封装类的啊。就是说各种问题他都已经分析过了,分析过之后呢,内部会把这个脚本很完善。明白吧,完善之后呢,大家只要传参就可以,一旦他发生问题,他就开始报这个错。把这个脚本进行改善之后呢,又可以适用于多种样本了。
78:02
哎,我是反正我是不知道大家,大家可能没有服务器啊,不太喜欢这种封装类脚本,哎,但是真正公司层面啊,都是封装类的啊,这样的话比较容易。来,我们看看这个行为复合啊。Order.哎,大家可以看到那个波啊。这个burden怎么来的呢?其实刚才已经讲过了。因为每个点啊,它有不同的染色体,它都发生了C因维事件,我们要把这个非CV事件进行一个综和,综和的时候呢,是更单独计算,Loss单独计算,然后把绝对值加起来。明白吧,不能简单的说是一个根和事件直接相加啊,因为它相对于1来讲,哎,相对于1来讲怎么样。哎,它缺失也是神用的事件,钙也是神溶的事件,它的效果是一样的,都是把肿瘤恶性细胞的一个凭证。
79:00
哎,这个大家可以看到C因为事件的一个分布啊,基本上是因为负荷都在肿瘤区,但是正常区域也开始慢慢有一些C因为事件的零星分布了,像这种。哎,亮有点亮的这个地域就和刚才提文献提到的是一样的,哎,文献提到的像这种。哎,就是说良性组织区域已经开始出现,恶性区域存在广泛存在的突变事件,哎,这个在我们的分析中,哎,如果大家自己分析这个样板,呃,经常也会发现这种现象,就说有一些比如这些地点,呃,零零星星开始出现了,而大部分的行为事件主要集中在这个区域。这种区域。哎,这就是C温负荷。哎,拿到CUV复合之后呢,我们需要把它这个CUV进行聚类,就像文章的做法一样。哎,文章的做法一样。哎,我们把它聚类啊,当然这里面我就这个聚类啊,相对你看你看这个聚类的时候,它会把干嘛干嘛。Application和进行一个划分。明白吧,划分。
80:08
哎,把它单独进行一个分析,而不是把它笼统起来,因为很多时候啊。哎,很多时候这个DILI和它效果和扩征的效果是等等价的,但是数值上是相反的,我们把要把它区分开。哎,然后简单的进行降维,这里面降维50个比较长,我这里降20位,嗯,还是50维吧,PC大家要注意啊。50~100,我选择一个数啊。不要跨出这个范围,像单细胞经常是降50维,然后T,你用外B再降到两维,或者降到100位,这都是哎,可以接受的方案,但是绝对不可以把它一下子降到,比如说PCA降到20位,哎,这种是不可以的啊。只不过这个维度啊,越高,哎,它的计算量越大,对大家的计算机的要求就比较高了啊。
81:01
哎,我们稍等,哎,齐总,我这个服务器算力还是快的,而且我这里是单样本啊,单样本所以量不是很大,大家如果要自己分析的时候,多样本要联合分析啊,把它联合起来。好吧,在这个单细胞CUK上讲过啊,公司从来没说过单个样本分析是因为的从来都是整合啊,空间也是一样。然后就是。聚类了,哎,CV的一个聚类。啊,这里面呢,On neighbors为什么选择100呢?因为CV的值都比较小,所以它尽量考虑到多的信号,我演示呢,就写啊30吧,30是常见的一个CV的一个。哎。这个neighbors的一个值,哎,单细胞空间都用它。所以我也会说稍适当的大一点。
82:01
嗯,稍等一下,让他计算一下啊。好,扫完了。接下来就是CV的一个。聚累了。训练完之后呢,其实大家呃也要对他进行呃,里面新开个窗口吧。拘留完之后呢,大家一定要结合他这个。这个文件,哎,基因data,基因这个C,因为事件这个文件。
83:02
哎,肯定很多基因是大家感兴趣的,哎,他到底在哪个群发生了怎样的一个事件,哎大家要看看,比如说逆11这个区域内,这个基因就发生了闹事事件,对吧。哎,这个落实事件最直观的表现就是基因D表达。哎,他的一个影响是什么。哎,这个分析。要分析到这种精,呃,比较精细的一个程度啊。Map.哎,接下来就是绘图了啊,谁容易绘图了。嗯,行为。啊。当然了,这里面我们又把normal这个样本去掉,很多时候呢,这个normal样本是不考虑是因为的。哎,像这种哪儿了。
84:03
哎,像这种normal样本,它单独会画出来一类,不是不考虑CV的,像这种啊,T和normal都已经那个区分好了,像这种样本,哎,Normal区域是不考虑的,我这里面没有把它去掉啊,像这种这个地方就是normal区域。哎,它的刚才CNV波顿是比较小的啊,它主要是看CNV波动,它的零星的存在一个状态,像这种CV,你看大家都比较少啊,很少。基本上就是很低的一个纸,像这种比较颜色比较高的纸呢,是是因为复合比较高的。哎,这个地方呢,对它进行剧烈之后呢,大家也会发现什么也会类似于像这个PPT一样。哎,发现这个。肿瘤这个这个不同区域啊,它的一个CV的,呃,分布的一个抑制性。对吧,内部的CV事件其实也是存在一个一致性的,像这个里面大概存在了这个这个粉色的可能看得不太清啊,放大一点。粉色的,绿色的和红色的大概三种CV的一个聚类,这三种CV的聚类大家就要像这个图一样,哎,这个文章一样,把它的这个。
85:06
不同的这个CUV的一个事件啊,它到底发生了哪些CV事件,以及不同CV事件的一个比较,哎,给它分析出来。这种图呢,就更加的个性化了啊,非常个性化,这个要随着大家的研究,呃,逐步的逐步的要要做到这个程度,就是说不同的这个区域。比如说像这个地方不同的区域,它到底是哪些新V事件,呃,是占据主导的事件,注意这个新V事件是个性化的事件,不是共有的事件啊,共有的事件呢,因为大家都有,所以不会标注,而是要标注这种比较特异化的事件,比如这个群。它有这个独特的这个染色体时期的一个干事件,这个文,这个信息哪来的呢?哎,就是刚才提到的这个,大家比如说这个这个基因。区域是哪来的?就是这个文件。哎,历史一债转实体一反,反正各个区域都有这种事件,大家要总结一下,比如说这个历史1是吧。
86:02
啊,比如说逆11就是我们这个聚类吧,就是这个类吧,逆11就是这个粉色的吧,哎,粉色的不是CUV啊,就是绿色的吧。哎,我们要大家要把这个文件给统计出来。哎,文章统计出来,每个历史到底发生了哪种行为事件?哎,大家简单统计一下哎。一十八。148等等等等,它特异性的CV事件是什么?哎,要把它统计出来,最后画图的时候把它标注到这个图上,就形成了这个PPT的这样的一种效果。哎,这个是,哎,放可以放到文章里面的一个。可以放到文章里面的一个结果啊,也是对大家分析,也是大家呃认真分析得到的一个展示啊。哎,像这种图呢,也是一样的啊,像这种是AI图啊,AI划出来的已经剧列好之后呢,对于不同的聚类结果,诶划分出来,划分出来的话,研究他们的公定位啊,什么生态位啊等等一些问题啊。
87:03
还有这种图啊,识别这个program,就是说CV事件很多时候啊,会结合其他的一些比较个性化的分析,把它放在一起分析。这样的话,这个整个的图的结构和这个分析内容啊,会非常的充实。好,这就是CV的一个分析内容啊,当然我这里以一个样本作为一个示例啊,大家分析的时候要以多样本示例啊,拿到那个CV矩阵啊。哎,对它进行聚类。哎,这里面,哎呀忘了啊。哎,这里面还要强调一点是这个。哎,不同的CV事件,它的空间聚集的一个区域,以及特异的CV事件要在空间上进行标注。啊,要在空间上进行标注,拿到这样的结果。哎,如何统计呢?就是这个文件。
88:01
嗯,大家要会识别分析它啊,不同的染色体。什么区域大家可以不用看,比如说它主要是染色,这个历史12主要是染色体2发生了这个。三三是什么这个扩张事件?哎,看看其他有没有这个扩充事件。染色体。2上的扩充事件可能如果是他独有的话,说明这个区域。哎,就是它就是我们刚才PPT所展示的这个独有的区域,哎,要不对它进行标注啊。好了,这就是我们的CV课程了啊,大家回去好好学习学习啊。
我来说两句