models-spatial

# 空间转录组模型 本文档涵盖了 scvi-tools 中用于分析空间分辨转录组数据的模型。 ## DestVI (Deconvolution of Spatial Transcriptomics using Variational Inference) **目的**: 使用单细胞参考数据对空间转录组进行多分辨率去卷积。 **关键特性**: - 估计每个空间位置的细胞类型比例 - 使用单细胞 RNA-seq 参考集进行去卷积 - 多分辨率方法（全局和局部模式） - 考虑空间相关性 - 提供不确定性量化 **适用场景**: - 对 Visium 或类似的空间转录组数据进行去卷积 - 拥有带有细胞类型标签的 scRNA-seq 参考数据 - 希望将细胞类型映射到空间位置 - 对细胞类型的空间组织感兴趣 - 需要细胞类型丰度的概率估计 **数据要求**: - **空间数据**: Visium 或类似的基于点（spot）的测量（目标数据） - **单细胞参考**: 带有细胞类型注释的 scRNA-seq - 两个数据集应共享基因 **基本用法**: python import scvi # 第 1 步：在单细胞参考集上训练 scVI scvi.model.SCVI.setup_anndata(sc_adata, layer="counts") sc_model = scvi.model.SCVI(sc_adata) sc_model.train() # 第 2 步：设置空间数据 scvi.model.DESTVI.setup_anndata( spatial_adata, layer="counts" ) # 第 3 步：使用参考集训练 DestVI model = scvi.model.DESTVI.from_rna_model( spatial_adata, sc_model, cell_type_key="cell_type" # 参考集中的细胞类型标签 ) model.train(max_epochs=2500) # 第 4 步：获取细胞类型比例 proportions = model.get_proportions() spatial_adata.obsm["proportions"] = proportions # 第 5 步：获取细胞类型特异性表达 # 每个点上特定细胞类型的基因表达 ct_expression = model.get_scale_for_ct("T cells") **关键参数**: - `amortization`: 摊销策略（"both", "latent", "proportion"） - `n_latent`: 潜在维度（继承自 scVI 模型） **输出**: - `get_proportions()`: 每个点处的细胞类型比例 - `get_scale_for_ct(cell_type)`: 细胞类型特异性表达模式 - `get_gamma()`: 比例特异性基因表达缩放 **可视化**: python import scanpy as sc import matplotlib.pyplot as plt # 在空间上可视化特定细胞类型比例 sc.pl.spatial( spatial_adata, color="T cells", # 如果比例已添加到 .obs spot_size=150 ) # 或者直接使用 obsm for ct in cell_