[前言]
在当今的生命科学研究中，空间转录组学作为一种前沿技术，能够在空间维度上揭示基因表达的复杂图谱，已经成为揭示生物体内细胞异质性的重要手段。随着空间转录组技术的飞速发展，我们能够在亚细胞分辨率和大视野下研究基因的空间表达分布。然而，尽管新技术为科研带来了巨大的潜力，但同时也伴随着重大挑战，尤其是在测序深度和大样本测序质量方面的不均匀性。因此，对数据进行系统的质量评估和过滤，成为了确保空间转录组数据可靠分析的第一步。
为了解决空间转录组数据分析流程中缺乏一站式质控工具的问题，东南大学的研究团队开发了SpatialQC。这款自动化质控工具不仅填补了这一空白，还显著提升了数据质量并简化了分析流程。SpatialQC从切片、细胞和基因三个维度对空间转录组数据进行全面的自动化质控。它能够直接生成用于下游分析的过滤数据，并提供交互式质控报告，便于用户探索和检查数据质量。无论是基于高通量测序的空间转录组数据如Visium和Stereo-seq，还是基于成像的空间转录组数据如MERFISH和Xenium，SpatialQC的设计都能广泛适用。
今天小编就带大家一起看看SpatialQC这款自动化质控工具是如何完成一站式质控的吧！我们将详细介绍SpatialQC的操作步骤，对生成的报告内容进行全面解读。Let’s go!
[SpatialQC安装]
SpatialQC比较简单，只需运行以下代码即可：
pipinstall SpatialQC
安装成功后，运行SpatialQC -h，得到SpatialQC的帮助信息：
[root@localhost~]# SpatialQC -h
usage:SpatialQC [-h] [--adata] [--markers] [--species] [--tissue_class][--tissue_type]
[--cancer_type][--slice_number] [--slice] [--mito] [--doublet]
[--mito_percent] [--ribo][--hemo] [--bin_value]
[--min_genes_list [...]] [--min_genes_list2 [...]]
[--min_cells_list [...]] [--f] [--s] [--min_genes] [--n][--min_cells]
[--l] [--s1 ] [--s2 ] [--s3 ] [--s4 ] [--s5 ] [--s6 ]
[--s7 ] [--s8 ] [--output] [--o1] [--o2] [--j]
[SpatialQC使用]
在使用SpatialQC之前，我们需要准备输入文件：.h5ad file。以10X空间转录组的数据为例：
└──Sample_1
├──filtered_feature_bc_matrix.h5
└──spatial
├──aligned_fiducials.jpg
├──aligned_tissue_image.jpg
├──cytassist_image.tiff
├──detected_tissue_image.jpg
├──scalefactors_json.json
├──spatial_enrichment.csv
├──tissue_hires_image.png
├──tissue_lowres_image.png
├──tissue_positions.csv
└──tissue_positions_list.csv
2 directories,11 files
运行python：
import scanpyas sc
#单样本
s1=sc.read_visium(path="./Sample_1/",count_file='filtered_feature_bc_matrix.h5',library_id="Sample_1",load_images=True,source_image_path="./Sample_1/spatial/")
s1.obs['slice']
= "Sample_1" # slice在SpatialQC运行参数中会用到
s1.write_h5ad('Sample_1.h5ad')
#也可一次性导入多个样本
samples =['Sample_1', 'Sample_2', 'Sample_3']
adata_list =[]
for i, samplein enumerate(samples, start=1):
cdata =sc.read_visium(path=sample,count_file='filtered_feature_bc_matrix.h5',library_id=sample,load_images=True,source_image_path=f"{sample}/spatial/")
cdata.obs['slice'] = f's{i}'
cdata.var_names_make_unique()
adata_list.append(cdata)
adata =sc.concat(adata_list, join='outer')
adata.var_names_make_unique()
adata.obs =adata.obs[['slice']]
adata.write('ST.h5ad')
除此之外，SpatialQC还要求提供marker genes的 .csv file。如果没有.csv file，则需要提供样本的物种（--species）、组织分类（--tissue_class）、组织类型（--tissue_type）。组织分类和组织类型与CellMarker上的分类标准一致。
准备好后，即可运行SpatialQC：
SpatialQC--adata ST.h5ad --markers gene.csv --doublet False --slice slice --mito 'MT-'--ribo 'RPS, RPL' --hemo 'HBB, HBA'
[SpatialQC解读]
SpatialQC会生成一个名为“report.html”的自动化报告，和过滤后的“filtered.h5ad”。
SpatialQC通过3个步骤执行数据过滤：切片、细胞和基因级过滤。
步骤1: 切片级过滤（Slice-level）。对于空间转录组学数据，特别是3D数据，样本被单独切片和测序，导致不同切片的数据质量差异较大。如果在切片评分模块中，某块切片的中位数分数小于5（阈值可调），SpatialQC则视该切片为无效切片并删除。
步骤2 :细胞级过滤（Cell-level）。SpatialQC使用参数min_genes过滤细胞。此外，SpatialQC会移除被鉴定为双胞（不建议空转数据使用双胞过滤）和线粒体比率超过10%的细胞（阈值可调）。
步骤3: 基因级过滤（Gene-level）。SpatialQC选择在超过最小数量的细胞（min_cells）中检测到的基因。对于预定义的marker基因集，建议选择min_cells的值，以便保留>99%（阈值可调）的marker基因。
以下是过滤参数设置，此处我们使用了默认值：
Filter relatedparameters:
--mito_percent Filter cells with mitochondrialproportion higher than mito_percent.
default: 0.1
--f Whether to filter adata.
default: True
--s Sections with a median scoreless than s will be removed.
default: 5
--min_genes Provide your min_genes, otherwisedetermined by --n.
default: None
--n Determine the value ofmin_genes to ensure that the valid cell ratio is greater than n.
default: 0.7
--min_cells Provide your min_cells, otherwisedetermined by --l.
default: None
--l After filtering cells,determine the value of min_cells to ensure that the proportion of marker genesis greater than l among the remaining detected markers.
default: 0.99
下图是SpatialQC生成的自动化质控报告。在这个界面中，用户可以看到与空间转录组数据质量相关的基本统计信息。报告列出了切片数量、细胞数量、基因数量、每个细胞的基因和UMI的中位数与平均值等关键指标。此外，还包括线粒体、核糖体和血红蛋白等计数、检测到的marker数量及其检测比率等信息。用户可以通过这些指标来全面了解数据的质量，并进行深入的分析。
首先，SpatialQC对每个slice进行了评分，对每个合格的切片，SpatialQC在空间spots坐标上绘制了不同指标的分布情况。
随后，SpatialQC绘制了n_counts、n_genes、Log10GenesPerUMI、线粒体、核糖体、血红蛋白、marker基因的密度图、箱线图和条形图，展示了各个指标的分布情况。
最后，SpatialQC评估了不同min_genes下，有效细胞、marker基因的占比情况。
[总结]
综上所述，SpatialQC是一款用户友好的工具，能够快速评估空间转录组数据的质量，并生成过滤后的数据。它通过一键式操作，自动生成详细的质控报告，并以交互式HTML格式呈现。报告不仅汇总了关键的统计数据，还提供了每个切片的详细信息和图表，方便研究人员深入探索数据的质量。此外，SpatialQC的报告功能还能帮助研究人员在进行进一步测序和数据分析前，识别潜在的问题，从而确保后续研究的可靠性和准确性。这款工具无疑在简化质控流程、提升数据处理效率方面起到了重要作用。
如果你正分析空间转录组学，或者对数据质控有需求，不妨试试看SpatialQC这款强大的工具。它将为你的研究提供更高效、更准确的质控解决方案，帮助你轻松应对数据分析中的各种挑战。欢迎大家关注，获取更多科研工具的推荐和使用指南。大家如果还有什么想要了解的生信小知识，可以在下方留言互动哦，我们将持续为大家分享更多实用的科研干货，助力你的科研之路！
微生信助力高分文章，用户320000+，谷歌学术7100+
