内容复习---空间邻域差异分析（高精度平台和低精度平台）

作者，Evil Genius

空间邻域差异分析

同组分析完共定位，那么不同组间的邻域差异分析，就是下一步。

对于高精度，Xenium、CosMx等相对比较容易,前面最好注释，拿到h5ad文件。

import squidpy as sq
import cellcharter as cc
import scanpy as sc
from lightning.pytorch import seed_everything
seed_everything(0)

adata = cc.datasets.codex_mouse_spleen('test.h5ad')

sq.gr.spatial_neighbors(adata, library_key='sample', coord_type='generic', delaunay=True)

adata_balbc = adata[adata.obs['condition'] == 'BALBc']
cc.gr.nhood_enrichment(
    adata_balbc,
    cluster_key='spatial_cluster',
)

cc.pl.nhood_enrichment(
    adata_balbc,
    cluster_key='spatial_cluster',
    annotate=True,
    vmin=-1,
    vmax=1,
    figsize=(3,3),
    fontsize=5,
)

adata_mrl = adata[adata.obs['condition'] == 'MRL']
cc.gr.nhood_enrichment(
    adata_mrl,
    cluster_key='spatial_cluster',
)

cc.pl.nhood_enrichment(
    adata_mrl,
    cluster_key='spatial_cluster',
    annotate=True,
    vmin=-1,
    vmax=1,
    figsize=(3,3),
    fontsize=5,
)

cc.gr.diff_nhood_enrichment(
    adata,
    cluster_key='spatial_cluster',
    condition_key='condition',
    library_key='sample',
    pvalues=True,
    n_jobs=15,
    n_perms=100
)


cc.pl.diff_nhood_enrichment(
    adata,
    cluster_key='spatial_cluster',
    condition_key='condition',
    condition_groups=['MRL', 'BALBc'],
    annotate=True,
    figsize=(3,3),
    significance=0.05,
    fontsize=5
)

那对于低精度的visium该如何做这个分析呢？

在课程复习----多样本进行共定位分析文章中说过了，先把单样本的共定位给分析好。

细胞pair的共定位拿到，组成共定位权重矩阵，将结果merge起来即可。

如果是多个样本呢？一样的策略，求平均值构建矩阵。

这样不同组之间的细胞共定位权重矩阵拿到，进行邻域差异比较

我们采用一种简单粗暴的策略

直接矩阵相减，disease组共定位权重矩阵 - normal组共定位权重矩阵，形成共定位差异矩阵，并进行均一化。

这样的话，负值为共定位效应降低，正值为共定位效应增强。

最后画热图

生活很好，有你更好