作者，Evil Genius
今天我们更新脚本，量化不同状态之间的空间关系。
我们解析一下：
对于visium，直径是55um，一个spot内部是co-localization。
临近的6个点，是adjacency。
更大的范围（r = 2-15），区域组成，分析丰度之间的相关性。
也就是说，随着区域面积增大，分析两种状态空间关系，识别出特定的尺度依赖性转变。
当然分析两种状态关系可以两种细胞类型，或者同一细胞类型的两种亚型，或者就是通路得分。
| 指标 |
定义 |
说明 |
| 区域组成 |
预设半径（默认8个六边形窗口）内，两种细胞类型的丰度相关性 |
衡量大尺度共分布趋势 |
| 邻接性 |
一种细胞状态在另一种状态紧邻的邻域点（周围6个点）中的富集程度 |
衡量边界/接触偏好 |
| 共定位 |
两种状态在同一个空间点（Visium spot）内的共存情况 |
衡量单点尺度的共现 |
分析的时候注意分析各类关系的显著性。
我们来实现一下，python代码, 准备好visium数据，做好单细胞空间联合（推荐cell2location），我们以两种细胞类型为例来实现。
示例数据如下，细胞类型写在了adata.obs下面
adata
AnnData object with n_obs × n_vars = 4067 × 2409
obs: 'in_tissue', 'array_row', 'array_col', 'sample', '_indices', '_scvi_batch', '_scvi_labels', 'AT0', 'AT1', 'AT2', 'AT2 proliferating', 'Adventitial fibroblasts', 'Alveolar Mph CCL3+', 'Alveolar Mph MT-positive', 'Alveolar Mph proliferating', 'Alveolar fibroblasts', 'Alveolar macrophages', 'B.CCR7+ACB3', 'B.Cycling_GCB', 'B.DUSP4+AtM', 'B.EGR1+ACB', 'B.ENO1+Pre_GCB', 'B.HSP+B', 'B.IFIT3+B', 'B.ITGB1+SwBm', 'B.LMO2+LZ_GCB', 'B.NR4A2+ACB2', 'B.SUGCT+DZ_GCB', 'B.TCL1A+naiveB', 'Basal resting', 'CD4.ISG.IFIT1', 'CD4.Mix.NME1', 'CD4.Mix.NME2', 'CD4.Tem.GZMK', 'CD4.Temra.CX3CR1', 'CD4.Tfh.CXCR5', 'CD4.TfhTh1.CXCL13', 'CD4.Th17.IL23R', 'CD4.Th17.SLC4A10', 'CD4.Tm.ANXA1', 'CD4.Tm.ANXA2', 'CD4.Tm.CAPG', 'CD4.Tm.CCL5', 'CD4.Tm.CREM', 'CD4.Tm.GZMA', 'CD4.Tm.TNF', 'CD4.Tn.PASK', 'CD4.Tn.TCF7', 'CD4.Tn.il7r', 'CD4.Treg.RTKN2', 'CD4.Treg.TNFRSF9', 'CD8.ISG.IFIT1', 'CD8.MAIT.SLC4A10', 'CD8.Tem.CXCR5', 'CD8.Tem.GZMK', 'CD8.Temra.CX3CR1', 'CD8.Tex.CXCL13', 'CD8.Tex.PDCD1', 'CD8.Tex.TCF7', 'CD8.Tex.myl12a', 'CD8.Tk.KIR2DL4', 'CD8.Tk.TYROBP', 'CD8.Tm.CD52', 'CD8.Tm.IL7R', 'CD8.Tm.NME1', 'CD8.Tm.RPS12', 'CD8.Tn.MAL', 'CD8.Trm.ZNF683', 'CD56brightCD16lo-CCL3', 'CD56brightCD16lo-CREM', 'CD56dimCD16hi-CX3CR1', 'CD56dimCD16hi-DNAJB1', 'CD56dimCD16hi-MKI67', 'CD56dimCD16hi-NR4A3', 'Classical monocytes', 'Club (non-nasal)', 'DC1', 'DC2', 'Deuterosomal', 'EC aerocyte capillary', 'EC arterial', 'EC general capillary', 'EC venous pulmonary', 'EC venous systemic', 'Goblet (subsegmental)', 'Hematopoietic stem cells', 'Hillock-like', 'Interstitial Mph perivascular', 'Ionocyte', 'Lymphatic EC differentiating', 'Lymphatic EC mature', 'Lymphatic EC proliferating', 'Mast cells', 'Mesothelium', 'Migratory DCs', 'Monocyte-derived Mph', 'Multiciliated (non-nasal)', 'Myofibroblasts', 'Neuroendocrine', 'Non-classical monocytes', 'PC.ATP5E', 'PC.CD83', 'PC.DUSP5', 'PC.NEAT1', 'PC.NME2', 'PC.RGS13', 'PC.SLC3A2', 'Peribronchial fibroblasts', 'Pericytes', 'Plasmacytoid DCs', 'SM activated stress response', 'Smooth muscle', 'Smooth muscle FAM83D+', 'Subpleural fibroblasts', 'Suprabasal', 'T cells proliferating', 'Tuft', 'pre-TB secretory', 'leiden', 'region_cluster', 'mean_nUMI_factorsfact_0', 'mean_nUMI_factorsfact_1', 'mean_nUMI_factorsfact_2', 'mean_nUMI_factorsfact_3', 'mean_nUMI_factorsfact_4', 'mean_nUMI_factorsfact_5', 'mean_nUMI_factorsfact_6', 'mean_nUMI_factorsfact_7', 'mean_nUMI_factorsfact_8', 'mean_nUMI_factorsfact_9', 'mean_nUMI_factorsfact_10', 'mean_nUMI_factorsfact_11'
var: 'feature_types', 'genome', 'SYMBOL', 'MT_gene'
uns: '_scvi_manager_uuid', '_scvi_uuid', 'leiden', 'mod', 'mod_coloc_n_fact11', 'mod_coloc_n_fact12', 'neighbors', 'region_cluster_colors', 'spatial', 'umap'
obsm: 'MT', 'X_umap', 'means_cell_abundance_w_sf', 'q05_cell_abundance_w_sf', 'q95_cell_abundance_w_sf', 'spatial', 'stds_cell_abundance_w_sf'
obsp: 'connectivities', 'distances'
分析得到的结果示例如下，大家根据自己的课题设及即可。
图上就说明了两种细胞类型显著的共定位，临近都很少。
我们来实现一下
