作者，Evil Genius ~~~
这一篇我们要继续升级我们的分析流程了，对于空间CNV分析，拿到如下的结果：
我们需要借助inferCNV + python的力量实现这个目标。
空间转录组的CNV（拷贝数变异）分析是一项通过空间基因表达数据来推测基因组拷贝数变异的技术。CNV分析可以帮助我们理解肿瘤或其他组织在不同区域的遗传变异。以下是一个基本的CNV分析流程：
1. 数据预处理
读取空间转录组数据：使用Python和R的包（如Scanpy、Seurat）来读取空间转录组数据。
归一化和滤波：对数据进行归一化和高质量细胞筛选。
2. 基因表达矩阵的构建
提取空间转录组数据中的基因表达矩阵。
将基因表达矩阵转换为适用于CNV推断的格式，如每个细胞/区域的基因表达水平。
3. CNV推断
InferCNV（R包）：这是常用的工具，可以使用单细胞RNA测序数据推断CNV。需要指定正常对照样本（如果有的话），然后推断不同区域的CNV。
CNVkit：这是一个用于CNV分析的Python工具，通常用于高通量测序数据，但也可以与转录组数据结合使用。
4. CNV可视化
使用空间转录组位置信息，将CNV信息映射到组织的空间结构上。
可以通过Scanpy或Squidpy等工具，将CNV模式可视化在组织切片图像上，以观察特定区域的CNV变化。
5. 结果解读
分析CNV的区域特异性及其在空间分布上的差异。
对感兴趣的基因或染色体片段进行重点分析，结合肿瘤进展或其他生物学信息。
环境准备
首先，安装以下Python和R库：
- Python库：scanpy, anndata, matplotlib, numpy, pandas
- R库：Seurat, infercnv
步骤1：数据预处理（Python部分）
import scanpy as sc
import pandas as pd
import matplotlib.pyplot as plt
# 读取空间转录组数据（假设数据在 "spatial_data.h5ad" 文件中）
adata = sc.read_visium("spatial_data")
# 基础数据预处理
sc.pp.filter_cells(adata, min_genes=200) # 过滤掉低基因细胞
sc.pp.filter_genes(adata, min_cells=3) # 过滤掉在太少细胞中表达的基因
sc.pp.normalize_total(adata, target_sum=1e4) # 归一化
sc.pp.log1p(adata) # 对数变换
# 可视化空间表达数据
sc.pl.spatial(adata, color='total_counts')
步骤2：导出数据用于CNV分析
我们需要将数据导出为一个R可识别的格式，并将其传入inferCNV进行分析。
# 导出基因表达矩阵
adata.to_df().to_csv("gene_expression_matrix.csv")
# 导出位置注释信息
adata.obs[['region', 'spatial']].to_csv("spatial_annotations.csv")
准备染色体参考文件
