After the spatial transcriptome is annotated manually, the regional annotation information of the spatial group is obtained. At this time, we want to obtain the functional annotation information of its differentially expressed genes. There is no universal script here. I only provide an idea. ,For reference. Since most of our spatial group data is in the h5ad file format of anndata, we need to convert it into the rds file format that can be read by seurat. Here we use a convenient tool tha ...

空间转录组通过手动划区注释之后，得到空间组的区域注释信息，这个时候我们便是想要得到其差异表达基因的功能注释信息，这里并没有能够通用的脚本，本人仅是提供一种思路，供大家参考。 由于我们的空间组的数据大都是 anndata 的 h5ad 的文件格式，所以我们需要将其转换为能够被 seurat 读取的 rds 文件格式，这里采用我们之前博客讲到的一个便捷工具 rds与h5ad的相互转换，大概代码如下所述： sceasy::convertFormat('/data/*.h5ad', from="anndata", to="seurat", main_layer = 'count', outFile='/data/*.rds') 于是便是得到 ...

在处理空间组的数据的时候，很多情况下，我们会根据解剖学知识给某些地方进行区域注释；这块区域的细胞类型则是通过单细胞映射空间组进行的，再进行了手动赋予区域信息以及迁移映射了细胞类型信息之后，则需要对这些进行进行一些可视化以及一些统计分析。 可视化的代码如下，为一柱状堆积图： library(pheatmap) library(ggplot2) library(viridis) library(tidyverse) df = read.table('*.csv', sep = ',') colnames(df) = df[1, ] df = df[-1, ] %>% select(-1) df = df %>% group_by(region) %>% count(celltype) df$Gyrus_Sulcus = factor(df$Ribbon, levels = c('Frontal', 'Insular', 'Par ...

人的消费情况，是一个很好的反映人生活状态的指标。消费情况的好坏，直接影响到人的生活质量。所以决定对自己的消费情况进行总结，以此来反映自己的生活状态。 买衣服和吃饭的消费居于较高的位置。 买衣服的消费 249（一件厚的棉裤）+349（一件很好穿的滑雪服）+199(一件薄一些的棉裤)+28.84（袜子）+ 219（一件在北京的防风的裤子和鞋子）=1044.84 吃饭消费也是居多，大概情况如下： 下馆子 248+198+67.5+115+92+55+50.5+35.5 = 861.5 其他的平时吃饭的消费情况大概如下： 39.4+32.74+32+31.5+28.80+26.625.9+25+24.2+24+23.99+23.8+23+22+22+22+22+22+22+21+20+20+20+20+19+18+18+16.6+16+16+16+16+16+16+16+16+16+15+15+14.8+14.8+14.2+14+13+12.5+12+12+12+11+9.9+9.7+8.9+8.8+8+7.5+7+6+6+5.6+5.3+5+5+5+5+4.5+4.1+4+4+4 ...

In some spatial group atlas articles, we often see a picture, which is to calculate the complexity of cells in a region. We take an article published in Cell this year as an example to see how to calculate the complexity of cells in a region. The name of the article is Single-cell spatial transcriptome reveals cell-type organization in the macaque cortex, and the link to the article is: https://linkinghub.elsevier.com/retrieve/pii/S0092867423006797, there is such a picture in Figure II: ...

在某系空间组图谱文章中，我们经常会看到一种图片，是去计算某个区域中细胞的复杂性，我们以今年在 Cell 上发表的一篇文章为例，来看看如何计算某个区域中细胞的复杂性。文章名字为Single-cell spatial transcriptome reveals cell-type organization in the macaque cortex，文章链接为：https://linkinghub.elsevier.com/retrieve/pii/S0092867423006797 ，图二中有这么一张图片： I图的意思是不同的 Layer 中的每个细胞的复杂度分布，每个细胞的复杂的计算为，以每个细胞为圆心，200个像素为半径，画一个圆圈，计算这个圆圈中和这个细胞的类型不同的细胞类型个数。根据这个理解，我们便是可以写程序了。 # 首先是包的引入 import anndata as ad import numpy as np import pandas as pd import scanpy as sc from matplotlib.ticker import FuncF ...

在做空间转录组分析的时候，我们大多数会使用两种类型的数据，一种是bin100，bin50此类的数据，还有一种则是cellbin的数据，通常我们会使用 bin100/bin50 这样子的数据去做区域的注释，而 cellbin 的数据则是通过单细胞映射空间组，得到细胞类型的数据。但是这两种数据之间的迁移注释是一个问题，因为他们的分辨率不一样，所以我们需要将他们进行迁移注释，让 cellbin 的数据注释上脑区的信息。 首先要明确的是，我们的 bin100/bin50 的数据都是由同一个空间组的 gem 之类的文件生成的，要保证其基准坐标保持不变，这样子才能进行迁移注释。 但是基准不变的话，其实从 bin100 映射到 bin50 与 bin100 映射到 cellbin 其实原理是一样的，都是将 bin100 的数据映射到 bin50 或者 cellbin 的数据上，所以我们可以直接使用 bin100 的数据去做迁移注释。 首先，bin100 的每个 spots 都有一个坐标，但是实际上 bin100 应该是要有 100100 个坐标的，所以我们就需要将其还原回到 10 ...

今天起床就更晚了，但是昨晚却是睡得很是舒适，昨天健身到了十一点多，相信身体确实是累了，所以睡得很是香甜。 今天早上起来，就是在床上躺了一会儿，然后就是起来洗漱，然后就是去研究院。 早上回顾了昨天留下来的一些工作，发现了一些奇妙的科学现象，这很奇妙，确实是一个比较好的科学发现了。 中午和大家一起吃了饭，回来之后睡到了两点，下午的工作在于读论文，做分析，处理数据，也是比较快乐了。 下午的时候悄悄的出去海底捞，和朋友们一起，一群单身的朋友们和我这一个有女朋友的人一起吃饭，这很是奇妙。 临近走的时候隔壁桌开始唱起了生日歌，倒是第一次感受这样子的情景。 晚上回来的时候，路上不停的吹着冷风，那个时候突然觉得好疲惫，好想休息，但是回到了研究院之后却觉得又是一切都变得精神抖擞了。 一天啊，就这样子过去了。 好好吃饭，好好睡觉，好好地生活下去，绝大多数事情都能迎刃而解。

回顾一下昨天。 昨天是周三，是要开组会的日子，但是我起晚了，醒来一看手机已然是九点半了，想来他们是已经开始会议了，我却还在被窝，究其原因还是昨晚的熬夜，但这就是另外一回事情了。 起来也没洗漱，也没去那家我常去买早餐的包子铺，穿上衣服匆匆的来了研究院。 来的时候第一时间也没有找到组会的会议室，还要找之前的会议通知去找，显得稍微有些狼狈了，组会汇报倒是很平静和正常，又加上了一些其他的吐槽。 中午吃完饭之后也并没有睡觉，想来我是应该好好休息一下的，但是奈何自走棋带走了我的注意力，两句棋过去之后已然是下午两点了，那就继续接下来的办公吧，看了一篇古早的一篇结合了解剖学的综述文章，讲的还是挺有意思的。 晚上早早的在六点前去吃了饭，晚上回来之后写了一会儿代码，做了一会儿学习，之后去健身到了十一点多，晚上回到住处已然是十二点了，洗漱放松之后又是一点多了，今天也就这么结束了？ 最近觉得自己的时间很少，要做的东西很多，需要很多的时间；要学的事情很多，需要很多的时间；想要锻炼强健的体魄，需要很多的时间；想要良好的休息，需要很多的时间。时间真的是很少啊，很珍贵啊。 也许我应该逐步去更换一下自己的 ...

With development of spatial transfriptomics, we can get the spatial information of gene expression. However, the data is 2D, and it is hard to visualize the data in 3D. Here, I will introduce some methods to visualize the data in 3D. But for the first time, there are only some visualization method, next i will introduce some methods. here is the code, which is easy for understanding. def plot_cloud_point(adata: ad.AnnData, spatial_key: str='3d_align_spatial', ...