写在前面
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!
01
SpatialQC比较简单，只需运行以下代码即可：
pip install SpatialQC
安装成功后，运行SpatialQC -h，得到SpatialQC的帮助信息：
[root@localhost ~]# SpatialQC -husage: 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]
02
.└── 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.csv2 directories, 11 files
import scanpy as 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, sample in 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')
SpatialQC --adata ST.h5ad --markers gene.csv --doublet False --slice slice --mito 'MT-' --ribo 'RPS, RPL' --hemo 'HBB, HBA'图1. SpatialQC工作流程
03
Filter related parameters:--mito_percent Filter cells with mitochondrial proportion higher than mito_percent.default: 0.1--f Whether to filter adata.default: True--s Sections with a median score less than s will be removed.default: 5--min_genes Provide your min_genes, otherwise determined by --n.default: None--n Determine the value of min_genes to ensure that the valid cell ratio is greater than n.default: 0.7--min_cells Provide your min_cells, otherwise determined by --l.default: None--l After filtering cells, determine the value of min_cells to ensure that the proportion of marker genes is greater than l among the remaining detected markers.default: 0.99
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。
图6. Cell数目随min_genes增加而减少
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。
如果你正在分析空间转录组学，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。欢迎大家点点手指，关注我们的公众号，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！
关于我们
纽科生物提供专业的生物信息学数据分析和高通量测序服务。目前，公司已经和四川大学、复旦大学、上海交通大学、中山医院、华中科技大学等多所医院、高校的研究团队建立了长期良好的合作关系，提供高品质的数据分析和测序服务，帮助客户在European Heart Journal、Circulation Research、Nature Communications等多个著名杂志期刊上发表高水平科研文章，欢迎各位老师前来咨询。
