single2spatial-spatial-mapping
Mapuj single-cell atlasy na slajdy spatial transcriptomics za pomocą deep-forest
Instalacja
Wybierz klienta i sklonuj repozytorium do odpowiedniego katalogu skilli.
Instalacja
O skillu
Skill do mapowania scRNA-seq na dane spatial transcriptomics przy użyciu omicverse. Trenuje model deep-forest na referencjach komórek, rekonstruuje proporcje komórek w każdym spocie, ocenia jakość mapowania i wizualizuje ekspresję markerów. Idealne do analizy PDAC, Visium i podobnych danych przestrzennych.
Jak używać
Zainstaluj omicverse i wymagane biblioteki (scanpy, anndata, pandas, numpy, matplotlib). Zaimportuj omicverse jako ov i ustaw styl wykresów poleceniem ov.utils.ov_plot_set().
Przygotuj dane: wczytaj macierz scRNA-seq i dane spatial transcriptomics za pomocą pd.read_csv(), następnie konwertuj do obiektów AnnData. Dołącz metadane zawierające typy komórek dla danych single-cell oraz współrzędne przestrzenne (xcoord, ycoord) dla danych spatial.
Zainicjuj Single2Spatial, podając single-cell data, spatial data, klucz kolumny z typami komórek ('Cell_type') oraz klucz kolumn ze współrzędnymi (['xcoord','ycoord']). Upewnij się, że macierze są znormalizowane i log-skalowane.
Wytrenuj model deep-forest poleceniem train(), definiując liczbę pseudo-spotów (spot_num), liczbę komórek na spot (cell_num), katalog zapisu wyników oraz parametry treningu (liczba epok, batch size). Model wygeneruje zrekonstruowaną przestrzenną AnnData.
Załaduj wytrenowany model i zastosuj go do nowych danych spatial, aby uzyskać przewidywane proporcje komórek w każdym spocie.
Wizualizuj wyniki: wyświetl mapy ekspresji markerów na slajdach spatial, porównaj przewidywane proporcje z danymi rzeczywistymi i oceń jakość mapowania na poziomie poszczególnych spotów.