hello，大家好，就在昨天（2021.5.10）李彦宏举办了第一届生物计算大会，不知道大家听了没有，其实我认为最值得关注的一点就是同一样本的多组学检测，就是说同一样本，同时检测外显子，转录组，ATAC，蛋白组等，才能真正解决生物学问题。这也是未来发展的趋势，好了，我们开始今天的分享，10X空间转录组之区域交流中心。
其中关于10X空间转录组的细胞通讯分析，之前的文章都分享过，大家可以参考10X空间转录组做细胞通讯的打开方式，空间通讯分析章节2，10X空间转录组通讯分析章节3，有关10X单细胞和10X空间转录组在细胞通讯分析上的差异，在文章10X空间转录组（10X单细胞）之论细胞通讯空间分布的重要性我也详细介绍过，大家都可以参考，这这里就不再赘述，直接进入我们的主题，寻找10X空间转录组区域交流的热点中心。
其实对于这个的问题，读过我之前分享的文章应该都有所了解，就像人群一样，不可能两个人群都在进行很深的交流，而是形成了几个人群，人群内部之间交流很多，群与群之间交流稀疏，如下图
图片.png
不同类型具有明显的区域分布，而交流很明显也有区域分布，习惯了10X单细胞分析结果的同学们，对于这样的分布，不知道有什么想法，好了，开始我们今天的代码分享。
stLearn Cell-cell interaction analysis
1. Data loading and preprocessing
import stlearn as st
import pandas as pd
import random
st.settings.set_figure_params(dpi=100)
# read in visium dataset downloaded from: support.10xgenomics.com/spatial-gene-expression/datasets/1.0.0/V1_Breast_Cancer_Block_A_Section_2
data = st.Read10X("[PATH_TO_DATASET]")
# st.add.image(adata=data, imgpath="C:\\Users\\uqjxu8\\GIH\\Bioinformatics\\SPA\\Data\\visium\\Human_Breast_Cancer_Block_A_Section_1\\spatial\\tissue_hires_nobg.png",
# library_id="V1_Breast_Cancer_Block_A_Section_1",visium=True)
# preprocessing
st.pp.filter_genes(data,min_cells=3)
st.pp.normalize_total(data)
st.pp.scale(data)
2. Count cell type diversity (between-spots)
再次强调，10X空间转录组和10X单细胞做个性化分析必须先注释，不然都是耍流氓
Read in the cell type predictions for each spot from Seurat label transfer results based on a labelled scRNA dataset
st.add.labels(data, 'tutorials/label_transfer_bc.csv', sep='\t')
st.pl.cluster_plot(data,use_label="predictions")
../_images/tutorials_stLearn-CCI_4_1.png
Count cell type diversity for between-spot mode
st.tl.cci.het.count(data, use_label='label_transfer')
st.pl.het_plot(data, use_het='cci_het')
A_1A.Celltype.diversity.png
这个地方可见，细胞类型的空间分布是具有空间异质性的。10X单细胞是完全做不到的。
3. Ligand-receptor co-expression (between-spots)
Read in user input LR pair
data.uns["lr"] = ['IL34_CSF1R']
Ligand-receptor co-expression in the neighbouring spots
st.tl.cci.lr(adata=data)
st.pl.het_plot(data, use_het='cci_lr', image_alpha=0.7)
图片.png
我们所需要的就是寻找这样的交流热点中心，和热点中心的细胞类型分布,这对于我们研究组织，了解疾病的发生和治愈，都具有非常大的价值，值得深入的挖掘。
A_1A.Nrg1_Erbb4.png
生活很好，等你超越
