SPATA2【2】之visium HD空转分析及与seurat互联

KS科研分享与服务-TS的美梦

发布于 2026-03-05 15:55:03

1240

偷偷问一下，关注了吗

SPATA2是一款综合性的空间转录组分析工具，能够分析主流的slide、visium以及visium HD数据。我们此前已经介绍过SPATA2对于visium数据的基本分析及与seurat的互联（SPATA2【1】之visium空转分析及与seurat互联），这节介绍一下对于越来越流行的visium HD分析及与Seurat onject的互联。更多关于visium HD数据分析的内容，不论R版还是python版，可以参考往期精彩内容：

空转上游你可以不做，但不能不会呀！详细演示Visium HD上游公共数据库分析及图像对齐矫正

空转联合单细胞分析(五）:10X Visium HD上手就是复杂情况？多样本拼片如何进行拆分？

空转联合单细胞分析(六）:10X Visium HD seurat V5分析教程

空转联合单细胞分析(八）:Visium HD多样本整合分析（基于seurat）

空转联合单细胞分析(九）:复现Nature子刊之Visium HD空转RCTD反卷积演示

python版10X空转visium HD分析策略一【scanpy+squidpy】

10X空转visium HD多样本分析策略二【scanpy+spatialdata】

visium HD多样本去批次及sketch下采样分析【scanpy+spatialdata】

1、下载数据及SPATA2读取：

visium HD空转数据自2024年开始，慢慢的越来越流行。相比于visium，其分辨率提高了不止一点。Visium HD 数据来源于以2μm × 2μm 单元标记的空间寡核苷酸。但由于在此分辨率下数据非常稀疏，临近的单元会被合并以生成8μm和16μm的分辨率（spaceranger生成的结果对应有binned_outputs文件夹）。10x 推荐使用8μm合并后的数据进行分析。主流的分析有使用8μm也有16μm的。Visium HD的数据格式与visium是一致的，这里使用的是数据是10X官方的小鼠brain的HD数据，完整的结果下载如下：

# Output Files
wget https://cf.10xgenomics.com/samples/spatial-exp/3.0.0/Visium_HD_Mouse_Brain/Visium_HD_Mouse_Brain_web_summary.html
wget https://cf.10xgenomics.com/samples/spatial-exp/3.0.0/Visium_HD_Mouse_Brain/Visium_HD_Mouse_Brain_cloupe_008um.cloupe
wget https://cf.10xgenomics.com/samples/spatial-exp/3.0.0/Visium_HD_Mouse_Brain/Visium_HD_Mouse_Brain_feature_slice.h5
wget https://cf.10xgenomics.com/samples/spatial-exp/3.0.0/Visium_HD_Mouse_Brain/Visium_HD_Mouse_Brain_metrics_summary.csv
wget https://cf.10xgenomics.com/samples/spatial-exp/3.0.0/Visium_HD_Mouse_Brain/Visium_HD_Mouse_Brain_molecule_info.h5
wget https://cf.10xgenomics.com/samples/spatial-exp/3.0.0/Visium_HD_Mouse_Brain/Visium_HD_Mouse_Brain_spatial.tar.gz
wget https://cf.10xgenomics.com/samples/spatial-exp/3.0.0/Visium_HD_Mouse_Brain/Visium_HD_Mouse_Brain_binned_outputs.tar.gz

SPATA2 v3.0也可以进行visium HD数据的读取，使用initiateSpataObjectVisiumHD函数。除了数据读取有些许差别之外，其他方面与visium data的处理没有太多区别。与seurat不同的是，SPATA2读取HD数据，不能像其一样，同时载入多个分辨率的数据，只能选择一个进行分析，这里我们以8um为例。关于数据的格式：这里的数据是标准的spaceranger output结果，binned_outputs文件夹里面储存了不同分辨率的结果，SPATA2能够根据square_res = ’8um’参数自动找到相对应的文件夹，读取数据。

setwd("~/data_analysis/Spatial_analysis/Visium_HD")
library(SPATA2)
library(tidyverse)

object <- 
  initiateSpataObjectVisiumHD(
    sample_name = "MouseBrainH", #Sample name
    square_res = '8um',#需要加载的分辨率数据c('16um', '8um', '2um') 
    mtr = "filtered",#使用filtered的matrix
    workers = 1,#线程数
    directory_visium = "./hd_data/" #数据所在目录
  )

## 22:38:03 Initiating SPATA2 object for platform: 'VisiumHD'

## 22:38:03 Found ~ binned_outputs\ for resolution 8um.

##

## 22:38:12 Active image: 'lowres'.

## 22:38:12 Unloading image 'hires'.

## 22:38:20 Reading count matrix from '~/binned_outputs/square_008um/filtered_feature_bc_matrix.h5'.

## 22:38:56 Active assay: 'gene'.

## 22:39:14 Active matrix in assay 'gene': 'counts'

## 22:39:14 Identifying tissue outline with `method = obs`.

# show overview
object

## An object of class SPATA2
## Sample: MouseBrainH 
## Size: 393543 x 19059 (spots x molecules)
## Memory: 1.18 Gb
## Platform: VisiumHD (Resolution: 8um) 
## Molecular assays (1):
## 1. Assay
##  Molecular modality: gene
##  Distinct molecules: 19059
##  Matrices (1):
##  -counts (active)
## Registered images (2):
## - hires (4729x6000 px, not loaded)
## - lowres (473x600 px, active, loaded)
## Meta variables (2): sample, tissue_section

plotImage(object, img_name = "lowres")

图像处理，识别组织边缘。接下来的步骤与visium的处理别无二致。

# by default, the active image is always used
# you might need to adjust sigma, frgmt_threshold and other parameters to optimize results 
object <- identifyPixelContent(object, frgmt_threshold = c(0.01,0.05))

object <- identifyTissueOutline(object, method = "image")

plotImage(object, outline = TRUE, line_size = 1)

2、seurat读取演示

因为此后的分析包括image、spatial、gene处理都与visium流程是一样的，参考visium的分析，不再重复演示，这里演示一下seurat的读取，然后在后续探究一下visium数据的seurat obj转化为SPATA2 object。以便在seurat处理的数据在SPATA2中进行相关分析。对于seurat读取visium HD数据，需要两个文件夹，一个是spatial，包含图像信息；另外一个是binned_outputs,包含不同分辨率的数据，可以在Load10X_Spatial读取的时候bin.size参数选择需要的分辨率。

library(Seurat)

#这里选择16分辨率演示
sce <- Load10X_Spatial(data.dir = './hd_data/', bin.size = c(16))
sce

## An object of class Seurat 
## 19059 features across 98917 samples within 1 assay 
## Active assay: Spatial.016um (19059 features, 0 variable features)
##  1 layer present: counts
##  1 spatial field of view present: slice1.016um

SpatialFeaturePlot(sce, features = "nCount_Spatial.016um") + theme(legend.position = "right")

3、visium HD seurat obj转SPATA2 obj

转化也是相当丝滑，没啥问题。

# use assay Spatial
sce_spata2 <-
 asSPATA2(
   object = sce,
   sample_name = "mouse_brain",
   platform = "VisiumHD",
   img_scale_fct = "lowres",
   assay_name = "Spatial.016um", 
   assay_modality = "gene"
   )

show(sce_spata2)

## An object of class SPATA2
## Sample: mouse_brain 
## Size: 98917 x 19059 (spots x molecules)
## Memory: 919.52 Mb
## Platform: VisiumHD (Resolution: 16um) 
## Molecular assays (1):
## 1. Assay
##  Molecular modality: gene
##  Distinct molecules: 19059
##  Matrices (1):
##  -counts (active)
## Registered images (1):
## - slice1.016um (600x473 px, active, loaded)
## Meta variables (4): sample, orig.ident, nCount_Spatial.016um, nFeature_Spatial.016um

plotSurface(sce_spata2, color_by = "nCount_Spatial.016um", pt_size = 1)

觉得分享有用的点个赞再走呗！

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2026-03-03，如有侵权请联系 cloudcommunity@tencent.com 删除

工具

本文分享自 KS科研分享与服务微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度