单细胞亚群在空间HE切片中的定位可视化图绘制

今天学习一篇于2025年10月10号发表在Oncogene杂志的文献，标题为《Comprehensive single-cell analysis reveals mast cells’ roles in cancer immunity》。文献中有一个细胞亚群在空转HE切片中的共定位分析图我比较感兴趣，来学习一下吧~

图如下：这幅图利用 CellTrek 技术进行癌细胞样本中肥大细胞的空间定位分析。

方法描述：

为了获取细胞的空间坐标信息，使用 CellTrek（v0.0.94版）R软件包并采用其默认参数。该工具通过机器学习方法整合单细胞数据与空间转录组数据，能够将单个细胞直接映射回其在组织切片中的原始空间位置，并采用run_kdist函数计算了不同细胞类型之间的空间k距离。

结果描述：

收集了来自264名患者的37,462个肥大细胞，涵盖15种不同的癌症类型。样本来源包括肿瘤组织、转移病灶、癌旁正常组织、血液以及淋巴结（图1C）。通过单细胞RNA测序技术，共鉴定出10个具有不同转录特征的肥大细胞亚群，分别命名为：C0-RPL21、C1-HSPA1、C2-VEGFA、C3-RGS1、C4-PDIA3、C5-FTH1、C6-TXNIP、C7-HLA-DR、C8-UBB和C9-CCL5（图1D–F及S1D, E；附表S2）。这些发现凸显了肥大细胞的异质性，并初步描绘了其在不同肿瘤微环境中的分布图谱。

为了探究肥大细胞亚群在空间肿瘤微环境中的组织结构，将其细胞亚群注释信息整合到 CellTrek 对象中（图3I，表S4）。研究发现，C1-HSPA1 和 C7-HLA-DR 亚群普遍浸润于恶性肿瘤区域，而 C9-CCL5 亚群则分布在远离肿瘤细胞的位置。这一观察结果表明，肥大细胞的功能状态与其在肿瘤微环境中的空间定位密切相关（图3J）。

图注：

Fig. 3 Spatial and tissue distribution heterogeneity of mast cells.

先来简单学习一下这个方法~

CellTrek分析

CellTrek 是一种基于 scRNA-seq 与空间转录组（ST）数据、能将单细胞直接映射回组织切片空间坐标的计算框架。该方法的逻辑与空间转录组解卷积技术不同，为结合空间拓扑结构研究单细胞数据提供了更灵活直接的范式。CellTrek 工具包还包含两个下游分析模块：用于空间共定位分析的 SColoc 模块与用于空间共表达分析的 SCoexp 模块。

跑一下代码看看。

软件发表的文献：https://pmc.ncbi.nlm./articles/PMC9673606/

软件地址：https://github.com/navinlabcode/CellTrek

包安装

这里经过尝试分析，需要安装指定版本的 Seurat to version 4.3.0 和 SeuratObject to version 4.1.4, it works。代码如下：

rm(list=ls())
if(F) {
## 使用西湖大学的 Bioconductor镜像
  options(BioC_mirror="https://mirrors./bioconductor")
  options("repos"=c(CRAN="https://mirrors./CRAN/"))
# https://github.com/navinlabcode/CellTrek/issues/36
# I have been running fine with SeuratObject_4.1.4 / Seurat_4.4.0
# SeuratObject_4.1.3 / Seurat_4.3.0 should also work as mentionned
# download link is https://github.com/satijalab/seurat-object/archive/refs/tags/v4.1.4.tar.gz
# 关闭已加载的扩展包可以用detach(),如
  library(Seurat)
  library(SeuratObject)
  detach("package:SeuratObject")
  detach("package:Seurat")
# remotes::install_version("SeuratObject", "4.1.4", repos = c("https://satijalab.v", getOption("repos")))
  devtools::install_local("CellTrek/seurat-object-4.1.4/")
  packageVersion("SeuratObject")
# remotes::install_version("Seurat", "4.3.0", repos = c("https://satijalab.v", getOption("repos")))
  devtools::install_local("CellTrek/seurat-release-4.3.0.zip")
  packageVersion("Seurat")
}

options(stringsAsFactors = F)
library("CellTrek")
library("dplyr")
library("Seurat")
library("viridis")
# BiocManager::install("ConsensusClusterPlus")
library("ConsensusClusterPlus")
packageVersion("Seurat")

如果是版本seurat v5，就会报下面的错误：

报错1：

Finding transfer anchors... 
Using 2000 features for integration... 
Running CCA
Merging objects
错误于validObject(object = value): 
  类别为“VisiumV1”的对象无效: slots in class definition but not in object: "misc"
此外: 警告信息:
Command ScaleData.RNA changing from SeuratCommand to SeuratCommand 
收捲时出错: 没有名称为"misc"的插槽对于此对象类 "VisiumV1"
Error: no more error handlers available (recursive errors?); invoking 'abort' restart

解决方法：

# https://github.com/satijalab/seurat/issues/9573
brain_st_cortex <- UpdateSeuratObject(brain_st_cortex)

报错2：

Finding transfer anchors... 
Using 2000 features for integration... 
Running CCA
Merging objects
Finding neighborhoods
Finding anchors
 Found 3730 anchors
Data transfering... 
Finding integration vectors
Finding integration vector weights
0%   10   20   30   40   50   60   70   80   90   100%
[----|----|----|----|----|----|----|----|----|----|
**************************************************|
Transfering 2000 features onto reference data
Creating new Seurat object... 
警告: Data is of class data.frame. Coercing to dgCMatrix.
错误于CellTrek::traint(st_data = brain_st_cortex, sc_data = brain_sc, : 
  没有名称为"counts"的插槽对于此对象类 "Assay5"
此外: 警告信息:
1: Command ScaleData.RNA changing from SeuratCommand to SeuratCommand 
2: Adding image data that isn't associated with any assays 
3: The `slot` argument of `GetAssayData()` is deprecated as of SeuratObject 5.0.0.
ℹ Please use the `layer` argument instead.
ℹ The deprecated feature was likely used in the CellTrek package.
  Please report the issue to the authors.
This warning is displayed once every 8 hours.
Call `lifecycle::last_lifecycle_warnings()` to see where this warning was generated.

解决方法1：https://github.com/navinlabcode/CellTrek/issues/39#issue-2058604923

解决方法2：用里面的函数 https://github.com/navinlabcode/CellTrek/issues/36

只能解决能够重新修改的那几个函数，其他的分析还是会报错。

所以我有索性单独开了一个R环境，专门装了上面两个版本的包，suerat v5版本做其他日常分析使用。

还有一点不太好的地方：这个软件已经很久没有人维护了。

示例数据

作者给的两个示例数据如下：

单细胞下载链接：https://www./s/ruseq3necn176c7/brain_sc.rds?dl=0

空转下载链接：https://www./s/azjysbt7lbpmbew/brain_st_cortex.rds?dl=0

读取进来简单处理：

## 1.读取数据----
# 空转数据
brain_st_cortex <- readRDS("data/brain_st_cortex.rds")
brain_st_cortex
head(Cells(brain_st_cortex))
head([email protected])
Idents(brain_st_cortex)
## 为细胞/位点设置符合语法规范的名称,细胞名中的-改成.
brain_st_cortex <- RenameCells(brain_st_cortex, new.names=make.names(Cells(brain_st_cortex)))
## Visualize the ST data
SpatialDimPlot(brain_st_cortex,pt.size.factor = 1.8,group.by = "seurat_clusters")
DefaultAssay(brain_st_cortex)
# brain_st_cortex <- UpdateSeuratObject(brain_st_cortex)

# 单细胞数据
brain_sc <- readRDS("data/brain_sc.rds")
brain_sc
head([email protected])
brain_sc <- RenameCells(brain_sc, new.names=make.names(Cells(brain_sc)))
## Visualize the scRNA-seq data
DimPlot(brain_sc, label = T, label.size = 4.5)

空转：

单细胞：

使用CellTrek进行细胞图谱构建

我们首先使用 traint 方法对空间转录组与单细胞RNA测序数据集进行联合嵌入：

## 2.使用CellTrek进行细胞图谱构建----
brain_traint <- traint(st_data=brain_st_cortex, 
                       sc_data=brain_sc, 
                       sc_assay='RNA', 
                       cell_names='cell_type'# 单细胞数据注释label
                      )
brain_traint

## We can check the co-embedding result to see if there is overlap between these two data modalities
DimPlot(brain_traint, group.by = "type") 

# After coembedding, we can chart single cells to their spatial locations. 
# Here, we use the non-linear interpolation (intp = T, intp_lin=F) approach to augment the ST spots.
brain_celltrek <- celltrek(st_sc_int=brain_traint, int_assay='traint', 
                           sc_data=brain_sc, sc_assay = 'RNA', 
                           reduction='pca', 
                           intp=T, intp_pnt=5000, intp_lin=F, 
                           nPCs=30, ntree=1000, 
                           dist_thresh=0.55, top_spot=5, spot_n=5, 
                           repel_r=20, repel_iter=20, keep_model=T)$celltrek

## 3.可视化结果----
# 交互式可视化
unique(brain_celltrek$cell_type)
brain_celltrek$cell_type <- factor(brain_celltrek$cell_type, levels=sort(unique(brain_celltrek$cell_type)))

df <- [email protected] %>% 
  dplyr::select(coord_x, coord_y, cell_type:id_new)
head(df)
brain_celltrek@images$anterior1@image
brain_celltrek@images$anterior1@scale.factors$lowres

CellTrek::celltrek_vis(df, brain_celltrek@images$anterior1@image, brain_celltrek@images$anterior1@scale.factors$lowres)

结果如下：

上面文献中的图，数据处理中~

今天分享到这~

微精选