SpaGene：识别空间模式与配受体共定位
今天来学习一个空转的可以分析配体受体共定位方法（这个方法还可以分析如空间模式spatial patterns，空间高变基因，我比较关注共定位）：SpaGene，该方法于2022年9月发表在Genome Res杂志上，文献标题为《Scalable and model-free detection of spatial patterns and colocalization》。
SpaGene 是一种新型的空间组学分析方法，无需依赖模型，能够快速在大规模空间组学研究中识别空间模式。它在分析模拟数据和真实空间转录组学数据时表现优于现有方法，具有更强的分析能力和可扩展性。SpaGene 不仅可以重建未观察到的组织结构，还能通过共定位发现配体 - 受体相互作用，为研究细胞间的相互作用提供了有力工具。原理如下：
- s1.构建空间网络：SpaGene 首先根据空间位置构建一个 k-最近邻图（k-nearest neighbor graph），其中每个节点代表一个细胞或位点。
- s2.提取子网络：对于每个基因，SpaGene 从 k-最近邻图中提取一个子网络，该子网络仅包含该基因高表达的细胞或位点。
- s3.量化子网络的连通性：SpaGene 使用 EMD（Earth Mover's Distance）来量化子网络的连通性。EMD 衡量子网络的度分布与完全连接网络的度分布之间的距离。度分布是指子网络中具有特定度（即连接数）的细胞或位点的比例。EMD 距离越短，表明空间连通性越高。
- s4.比较观察值与随机值：SpaGene 将观察到的 EMD 距离与随机排列后的预期距离进行比较。如果某个基因的 EMD 距离显著短于随机值，则该基因被识别为空间可变基因。
SpaGene的工作原理
通过spagene鉴定到的五种空间模式以及与其他方法性能的比较：
主嗅球（MOB）的空间转录组学结果
SpaGene 在分析主嗅球（main olfactory bulb，MOB）的空间转录组学数据时，成功识别了多个已知的空间可变基因，这些基因在 MOB 的特定层中表达。例如：
- Pcp4 在颗粒细胞层（GCL）中高表达；
- Slc17a7 在嗅球细胞层（MCL）中高表达；
- Cck 在球状层（GL）中高表达；
- Serpine2 在外丛状层（EPL）中高表达；
- Fabp7 在嗅神经层（ONL）中高表达。
基于这些识别出的空间可变基因，SpaGene 成功重建了 MOB 的七层结构：
小鼠小脑的 Slide-seqV2 数据结果
SpaGene 成功识别了四个已知在特定小脑层中表达的空间可变基因：
基因 | 表达层 | 功能描述 |
|---|---|---|
Kcnd2 | 颗粒层（Granule Layer, GL） | 该基因在颗粒层中高表达，编码钾电压门控通道亚家族D成员2，与神经元的兴奋性和信号传导相关。 |
Car8 | 浦肯野层（Purkinje Layer, PL） | 在浦肯野层中高表达，编码碳酸酐酶相关蛋白8，与浦肯野细胞的结构和功能相关。 |
Gad1 | 分子层（Molecular Layer, ML） | 主要表达于分子层，编码谷氨酸脱羧酶1，参与γ-氨基丁酸（GABA）的合成，对抑制性神经传递有重要作用。 |
Mbp | 白质（White Matter） | 在白质中高表达，编码髓鞘碱性蛋白，是髓鞘的主要成分之一，对神经纤维的髓鞘化和信号传导至关重要。 |
识别配体-受体相互作用
SpaGene 不仅能够识别空间可变基因，还能扩展用于识别配体-受体相互作用：
- 在主嗅球（MOB）的空间转录组学数据中，SpaGene 识别了 35 对配体-受体相互作用，其中最显著的两对是 IGFBP5-CAV1（p.adjust = 3×10⁻³¹）和 APOE-LRP6（p.adjust = 2×10⁻¹⁸）。这些相互作用主要发生在外神经层（ONL）和颗粒层（GL）之间；
- 在小鼠小脑的 Slide-seqV2 数据中，SpaGene 识别了 13 对配体-受体相互作用，其中最显著的一对是 PSAP-GPR37L1（p.adjust = 1×10⁻²⁷）。
代码实操案例
先来简单学习一波官网的案例：/?.html
安装：
代码语言：javascript代码运行次数：0运行复制## 使用西湖大学的 Bioconductor镜像
options(BioC_mirror=";)
options("repos"=c(CRAN="/"))
library(devtools)
install_github("liuqivandy/SpaGene")
识别高变基因和空间模式
这里的示例数据来自作者的github上：是一个10x visium的空转数据
输入数据为一个count矩阵和空间坐标位置location：
代码语言：javascript代码运行次数：0运行复制## Load the data
load("brain10X/brain10x_raw.rds")
head(location)
count[1:5,1:5]
## Find spatially variable genes and patterns
brain10x_sv <- SpaGene(count,location)
head(brain10x_sv$spagene_res)
# the most significant spt
spagene_res <- brain10x_sv$spagene_res[order(brain10x_sv$spagene_res$adjp),]
head(spagene_res)
# 鉴定空间模式 spatial patterns，设置npattern=15
pattern <- FindPattern(brain10x_sv,nPattern = 15)
PlotPattern(pattern,location,pt.size = 0.5)
pattern的理解： gene similarity with the pattern (genepattern), and the pattern weight (patternw)，每个pattern具体的值：
可视化 spatial patterns：
找到每个pattern相关的top5基因，并绘制热图可视化：
代码语言：javascript代码运行次数：0运行复制# Top 5 genes falling into each pattern
top5 <- apply(pattern$genepattern,2,function(x){
names(x)[order(x,decreasing=T)][1:5]
})
dat <- pattern$genepattern[rownames(pattern$genepattern)%in%top5,]
head(dat)
pheatmap(dat,fontsize_row = 6)
共定位分析
所有的 包括人和小鼠的配体受体对可以在这里下载：
代码语言：javascript代码运行次数：0运行复制########################
## Identify colocalized ligand-receptor pairs
library(stringr)
load("LRpair_human.rds")
head(LRpair)
LRpair$ligand_gene_symbol <- str_to_title(LRpair$ligand_gene_symbol)
LRpair$receptor_gene_symbol <- str_to_title(LRpair$receptor_gene_symbol)
brain10x_lr <- SpaGene_LR(count,location,LRpair=LRpair)
# the most signficant colocalized LR pairs
head(brain10x_lr[order(brain10x_lr$adj),])
## Plot Ligand-receptor pair Cck-Cckbr
plotLR(count,location,LRpair=c("Cck","Cckbr"),alpha.min=0.2,pt.size = 1)
在单细胞中鉴定到的配受体对，可以在空转上进一步验证，看其是否具有真实发生的可能~