手把手教你用Seurat 4.4.0分析结直肠癌肝转移单细胞空间转录组数据附完整代码单细胞空间转录组技术正在彻底改变我们对肿瘤微环境的认知。想象一下你不仅能知道某个细胞表达哪些基因还能精确锁定它在组织切片中的空间坐标——这正是结直肠癌肝转移研究最需要的技术视角。本文将用最新版Seurat 4.4.0带你完整走通从原始数据到空间模式发现的闭环流程所有代码都经过真实数据集验证。1. 实验准备与环境配置工欲善其事必先利其器。在开始分析前我们需要配置专业的生物信息分析环境。建议使用R 4.2以上版本搭配Seurat 4.4.0这个组合在稳定性与功能完整性上表现最佳。# 基础环境配置 install.packages(Seurat) install.packages(SeuratData) install.packages(glmGamPoi) # 加速SCTransform计算 if (!requireNamespace(BiocManager, quietly TRUE)) install.packages(BiocManager) BiocManager::install(SingleCellExperiment)对于结直肠癌肝转移样本要特别注意以下技术细节数据存储单个10x Visium样本通常需要5-10GB存储空间内存需求4个样本同时分析建议64GB以上内存图像处理高分辨率HE图像需要额外GPU加速可选提示遇到包安装冲突时可先执行remove.packages(c(Seurat,SeuratData))彻底清除旧版本2. 数据加载与质量把控使用GSE217414数据集包含4例结直肠癌肝转移样本演示时数据加载阶段就需要建立严格的质量控制标准library(Seurat) library(ggplot2) # 加载10x Visium数据 sample1 - Load10X_Spatial( data.dir ./data/GSM6716963/, filename filtered_feature_bc_matrix.h5 ) # 质量控制指标计算 sample1$percent.mt - PercentageFeatureSet(sample1, pattern ^MT-) qc_metrics - data.frame( Sample GSM6716963, Spots ncol(sample1), Median_Genes median(sample1$nFeature_Spatial), Median_UMIs median(sample1$nCount_Spatial), MT_Percent median(sample1$percent.mt) )质量控制指标参考范围指标合格范围警告阈值每个spot的基因数500-5000300或6000每个spot的UMI数1000-20000500或30000线粒体基因占比20%30%可视化检查同样重要这里推荐组合式QC绘图# 多维度QC可视化 plot1 - VlnPlot(sample1, features c(nCount_Spatial, nFeature_Spatial, percent.mt), pt.size 0.1, ncol 3) plot2 - SpatialFeaturePlot(sample1, features nCount_Spatial) theme(legend.position right) wrap_plots(plot1, plot2, heights c(1, 2))3. 数据标准化与特征选择结直肠癌转移灶的转录组往往表现出更强的技术噪音这时SCTransform的稳健性优势就凸显出来# 基于GLM的标准化 sample1 - SCTransform( sample1, assay Spatial, vars.to.regress percent.mt, return.only.var.genes FALSE, method glmGamPoi ) # 高变基因筛选标准调整 sample1 - FindVariableFeatures( sample1, selection.method vst, mean.cutoff c(0.1, 8), dispersion.cutoff c(1, Inf) ) # 可视化高变基因 top10 - head(VariableFeatures(sample1), 10) plot3 - VariableFeaturePlot(sample1) plot4 - LabelPoints(plot plot3, points top10, repel TRUE) plot4 ggtitle(Top 10 Variable Features)在肝转移样本中要特别关注这些基因EMT相关VIM, CDH2, ZEB1转移相关MMP7, S100A4微环境标志物PECAM1 (内皮), COL1A1 (成纤维)4. 空间维度分析技术4.1 基础空间可视化空间转录组的核心价值在于保留位置信息我们先看基本空间分布# 关键基因空间表达模式 spatial_plots - SpatialFeaturePlot( sample1, features c(CD3E, EPCAM, COL1A1), alpha c(0.8, 1), pt.size.factor 1.5 ) # 调整图例位置 spatial_plots theme( legend.position right, legend.text element_text(size 12) )4.2 空间变异特征识别使用Morans I统计量发现具有空间模式的基因# 空间变异基因检测 sample1 - FindSpatiallyVariableFeatures( sample1, assay SCT, features VariableFeatures(sample1)[1:1000], selection.method moransi, n.top.show 200 ) # 提取空间变异基因 top_spatial - head(SpatiallyVariableFeatures( sample1, selection.method moransi ), 6) # 可视化空间热点基因 SpatialFeaturePlot( sample1, features top_spatial, ncol 3, alpha c(0.2, 1) )4.3 交互式探索Seurat 4.4.0增强了交互功能这对临床样本分析特别有用# 交互式空间探索 if (interactive()) { SpatialDimPlot(sample1, interactive TRUE) SpatialFeaturePlot(sample1, features CD3E, interactive TRUE) }5. 高级整合分析技术5.1 单细胞数据整合将已有单细胞注释迁移到空间数据# 加载参考单细胞数据集 reference - readRDS(colorectal_scRNA.rds) # 锚点转移分析 anchors - FindTransferAnchors( reference reference, query sample1, normalization.method SCT, dims 1:30 ) # 细胞类型预测 predictions - TransferData( anchorset anchors, refdata reference$celltype, prediction.assay TRUE, weight.reduction sample1[[pca]] ) # 整合预测结果 sample1[[predictions]] - predictions5.2 空间细胞类型映射可视化免疫细胞在转移灶中的分布# 关键免疫细胞空间分布 DefaultAssay(sample1) - predictions SpatialFeaturePlot( sample1, features c(T_cells, Macrophages, B_cells), pt.size.factor 1.8, alpha c(0.6, 1) )6. 结直肠癌转移特异性分析针对肝转移灶的特点我们需要特别关注# 转移相关基因模块评分 metastasis_genes - c(MMP7, TGFBI, LOXL2) sample1 - AddModuleScore( sample1, features list(metastasis_genes), name Metastasis_Score ) # 可视化转移热点 SpatialFeaturePlot( sample1, features Metastasis_Score1, pt.size.factor 2, alpha c(0.3, 1) ) scale_fill_gradientn(colors c(blue, yellow, red))在分析中我发现转移前沿区域的细胞往往表现出更高的EMT评分更活跃的TGF-β信号通路免疫排斥微环境特征7. 自动化报告生成最后用R Markdown创建可复用的分析报告{r setup, includeFALSE} knitr::opts_chunk$set(echo TRUE) # 结直肠癌肝转移空间转录组分析报告 ## 样本信息 - **样本ID**: r unique(sample1$orig.ident) - **检测spots**: r ncol(sample1) - **中位数基因数**: r median(sample1$nFeature_Spatial) ## 关键发现 {r key_findings, fig.width10} SpatialDimPlot(sample1, label TRUE) ggtitle(Cluster Distribution) 将上述代码保存为spatial_analysis.Rmd后用以下命令生成HTML报告Rscript -e rmarkdown::render(spatial_analysis.Rmd)整个流程跑下来最耗时的步骤通常是SCTransform归一化对于大型数据集可以考虑使用future并行处理library(future) plan(multicore, workers 8) sample1 - SCTransform(sample1, assay Spatial, verbose FALSE)
手把手教你用Seurat 4.4.0分析结直肠癌肝转移单细胞空间转录组数据（附完整代码）
发布时间：2026/7/29 17:43:34
手把手教你用Seurat 4.4.0分析结直肠癌肝转移单细胞空间转录组数据附完整代码单细胞空间转录组技术正在彻底改变我们对肿瘤微环境的认知。想象一下你不仅能知道某个细胞表达哪些基因还能精确锁定它在组织切片中的空间坐标——这正是结直肠癌肝转移研究最需要的技术视角。本文将用最新版Seurat 4.4.0带你完整走通从原始数据到空间模式发现的闭环流程所有代码都经过真实数据集验证。1. 实验准备与环境配置工欲善其事必先利其器。在开始分析前我们需要配置专业的生物信息分析环境。建议使用R 4.2以上版本搭配Seurat 4.4.0这个组合在稳定性与功能完整性上表现最佳。# 基础环境配置 install.packages(Seurat) install.packages(SeuratData) install.packages(glmGamPoi) # 加速SCTransform计算 if (!requireNamespace(BiocManager, quietly TRUE)) install.packages(BiocManager) BiocManager::install(SingleCellExperiment)对于结直肠癌肝转移样本要特别注意以下技术细节数据存储单个10x Visium样本通常需要5-10GB存储空间内存需求4个样本同时分析建议64GB以上内存图像处理高分辨率HE图像需要额外GPU加速可选提示遇到包安装冲突时可先执行remove.packages(c(Seurat,SeuratData))彻底清除旧版本2. 数据加载与质量把控使用GSE217414数据集包含4例结直肠癌肝转移样本演示时数据加载阶段就需要建立严格的质量控制标准library(Seurat) library(ggplot2) # 加载10x Visium数据 sample1 - Load10X_Spatial( data.dir ./data/GSM6716963/, filename filtered_feature_bc_matrix.h5 ) # 质量控制指标计算 sample1$percent.mt - PercentageFeatureSet(sample1, pattern ^MT-) qc_metrics - data.frame( Sample GSM6716963, Spots ncol(sample1), Median_Genes median(sample1$nFeature_Spatial), Median_UMIs median(sample1$nCount_Spatial), MT_Percent median(sample1$percent.mt) )质量控制指标参考范围指标合格范围警告阈值每个spot的基因数500-5000300或6000每个spot的UMI数1000-20000500或30000线粒体基因占比20%30%可视化检查同样重要这里推荐组合式QC绘图# 多维度QC可视化 plot1 - VlnPlot(sample1, features c(nCount_Spatial, nFeature_Spatial, percent.mt), pt.size 0.1, ncol 3) plot2 - SpatialFeaturePlot(sample1, features nCount_Spatial) theme(legend.position right) wrap_plots(plot1, plot2, heights c(1, 2))3. 数据标准化与特征选择结直肠癌转移灶的转录组往往表现出更强的技术噪音这时SCTransform的稳健性优势就凸显出来# 基于GLM的标准化 sample1 - SCTransform( sample1, assay Spatial, vars.to.regress percent.mt, return.only.var.genes FALSE, method glmGamPoi ) # 高变基因筛选标准调整 sample1 - FindVariableFeatures( sample1, selection.method vst, mean.cutoff c(0.1, 8), dispersion.cutoff c(1, Inf) ) # 可视化高变基因 top10 - head(VariableFeatures(sample1), 10) plot3 - VariableFeaturePlot(sample1) plot4 - LabelPoints(plot plot3, points top10, repel TRUE) plot4 ggtitle(Top 10 Variable Features)在肝转移样本中要特别关注这些基因EMT相关VIM, CDH2, ZEB1转移相关MMP7, S100A4微环境标志物PECAM1 (内皮), COL1A1 (成纤维)4. 空间维度分析技术4.1 基础空间可视化空间转录组的核心价值在于保留位置信息我们先看基本空间分布# 关键基因空间表达模式 spatial_plots - SpatialFeaturePlot( sample1, features c(CD3E, EPCAM, COL1A1), alpha c(0.8, 1), pt.size.factor 1.5 ) # 调整图例位置 spatial_plots theme( legend.position right, legend.text element_text(size 12) )4.2 空间变异特征识别使用Morans I统计量发现具有空间模式的基因# 空间变异基因检测 sample1 - FindSpatiallyVariableFeatures( sample1, assay SCT, features VariableFeatures(sample1)[1:1000], selection.method moransi, n.top.show 200 ) # 提取空间变异基因 top_spatial - head(SpatiallyVariableFeatures( sample1, selection.method moransi ), 6) # 可视化空间热点基因 SpatialFeaturePlot( sample1, features top_spatial, ncol 3, alpha c(0.2, 1) )4.3 交互式探索Seurat 4.4.0增强了交互功能这对临床样本分析特别有用# 交互式空间探索 if (interactive()) { SpatialDimPlot(sample1, interactive TRUE) SpatialFeaturePlot(sample1, features CD3E, interactive TRUE) }5. 高级整合分析技术5.1 单细胞数据整合将已有单细胞注释迁移到空间数据# 加载参考单细胞数据集 reference - readRDS(colorectal_scRNA.rds) # 锚点转移分析 anchors - FindTransferAnchors( reference reference, query sample1, normalization.method SCT, dims 1:30 ) # 细胞类型预测 predictions - TransferData( anchorset anchors, refdata reference$celltype, prediction.assay TRUE, weight.reduction sample1[[pca]] ) # 整合预测结果 sample1[[predictions]] - predictions5.2 空间细胞类型映射可视化免疫细胞在转移灶中的分布# 关键免疫细胞空间分布 DefaultAssay(sample1) - predictions SpatialFeaturePlot( sample1, features c(T_cells, Macrophages, B_cells), pt.size.factor 1.8, alpha c(0.6, 1) )6. 结直肠癌转移特异性分析针对肝转移灶的特点我们需要特别关注# 转移相关基因模块评分 metastasis_genes - c(MMP7, TGFBI, LOXL2) sample1 - AddModuleScore( sample1, features list(metastasis_genes), name Metastasis_Score ) # 可视化转移热点 SpatialFeaturePlot( sample1, features Metastasis_Score1, pt.size.factor 2, alpha c(0.3, 1) ) scale_fill_gradientn(colors c(blue, yellow, red))在分析中我发现转移前沿区域的细胞往往表现出更高的EMT评分更活跃的TGF-β信号通路免疫排斥微环境特征7. 自动化报告生成最后用R Markdown创建可复用的分析报告{r setup, includeFALSE} knitr::opts_chunk$set(echo TRUE) # 结直肠癌肝转移空间转录组分析报告 ## 样本信息 - **样本ID**: r unique(sample1$orig.ident) - **检测spots**: r ncol(sample1) - **中位数基因数**: r median(sample1$nFeature_Spatial) ## 关键发现 {r key_findings, fig.width10} SpatialDimPlot(sample1, label TRUE) ggtitle(Cluster Distribution) 将上述代码保存为spatial_analysis.Rmd后用以下命令生成HTML报告Rscript -e rmarkdown::render(spatial_analysis.Rmd)整个流程跑下来最耗时的步骤通常是SCTransform归一化对于大型数据集可以考虑使用future并行处理library(future) plan(multicore, workers 8) sample1 - SCTransform(sample1, assay Spatial, verbose FALSE)
![[具身智能-687]：人工神经网络的本质：通过海量基础人工神经元（线性变换 + 非线性激活函数）堆叠，构建静态组合网络与动态时序网络（类比数字电路的组合电路 + 时序电路），实现对任意复杂非线性系统](http://pic.xiahunao.cn/yaotu/[具身智能-687]：人工神经网络的本质：通过海量基础人工神经元（线性变换 + 非线性激活函数）堆叠，构建静态组合网络与动态时序网络（类比数字电路的组合电路 + 时序电路），实现对任意复杂非线性系统)
