- 综合排序
- 最热优先
- 最新优先
内容复习--分子niche与细胞niche的区别
其实问题的核心在于分子niche与细胞niche的差异点在哪里以及背后的生物学意义。 5、为分子机制研究提供空间上下文建立了“细胞共定位图谱”，使得后续可在特定 niche 内进行差异表达、通路富集或配体-受体互作分析，实现从空间结构到分子机制的桥梁。 接下来看分子niche分子niche是基于空间 spots 的基因表达谱进行聚类，定义了一组 “分子微环境”（molecular niches）。核心意义在于1. 捕捉组织重构中的细微病理变化分子 niche 能区分细胞组成相似但功能状态不同的区域（如对照 vs 远端区 vs 边缘区），而传统基于细胞类型的 niche 无法做到；揭示了看似“正常”的远端心肌其实已发生分子层面的适应性改变 ❌ 不能 —— 若两个区域都富含心肌细胞，即使其功能状态不同，也会被归为同一细胞 niche✅ 能 —— 可将心肌细胞主导但分子特征不同的区域（如稳态 vs 应激）划分为不同分子 niche典型应用场景
17320编辑于 2026-01-07课前准备---空间转录组数据分析之分子niche
这一篇我们要总结分子niche，我们同样需要实现的目标如下：其中的生物学意义，我们课上会讲解。完整代码如下#! $mol_niche = paste('niche',niche_summary$mol_niche,sep = '_')niche_summary_pat %>% ungroup() %>% group_by = 0) %>% column_to_rownames("mol_niche") %>% as.matrix()niche_order <- hclust(dist(niche_summary_mat ))niche_order <- niche_order$labels[niche_order$order]ct_order <- hclust(dist(t(niche_summary_mat)))ct_order = paste('niche',wilcoxon_res$mol_niche,sep = '_')####head(niche_summary_pat)mean_ct_prop_plt <- niche_summary
53320编辑于 2024-07-17高精度空转--识别多细胞niche与niche调控细胞状态
()vdf_['niche2'] = vdf_['niche2'] / (sum(vdf_['niche2']**2)**0.5)vdf_['niche3'] = vdf_['niche3'] / (sum ct if isinstance(niche_cts, str): niche_cts = [niche_cts] if isinstance(niche_colors, str , niche_color) in zip(niche_cts, niche_colors): niche_df_ = niche_df.loc[niche_df['cell_type'] ==niche_ct] ax.scatter(niche_df_['x'], niche_df_['y'], ms_niche, facecolors='None', alpha=alpha ']print(f'Niche cell types: {niche_cts}.')niche_colors = [ct_cmap_dict[k] for k in niche_cts]target_df
45220编辑于 2025-09-10空间转录组niche通路富集
")order = adata_vis.uns["dendrogram_Niche_NMF"]["dendrogram_info"]["ivl"]#Get top genes from Markers gseapy.enrichrfor i in adata_vis.obs.Niche_NMF.cat.categories: genelist = sc.get.rank_genes_groups_df /GO_enrichment/GO_enrichment_%s.txt" %i,sep = "\t")for i in adata_vis.obs.Niche_NMF.cat.categories], "Adjusted P-value"])gsea_table_newgsea_table_new_cm= pd.pivot(gsea_table_new,index="Term", columns="Niche (50)my_col[0] <- "white"p<-pheatmap(gsea_table_new_cm, color= my_col) 关于python版本的“hotspot”，参考文章空间转录组niche
45520编辑于 2024-04-07文献分享--将空间转录组学和ECM成像结合在3D中用于绘制肿瘤微环境中的细胞相互作用(CosMx)
在肿瘤微环境中，分子表型由细胞-细胞和ECM在三维细胞邻域（CN）中的相互作用控制。 结果2、3D邻域能够无偏地识别TME多细胞niche 为了重建3D细胞邻域，利用STIM，它采用最先进的计算机视觉技术，计算对齐ST数据并以单细胞分辨率生成TME的3D分子图。 在侵入周围基质之前，在EMT niche中的侵入分子表型。 机械转导途径介导对机械刺激的细胞应答，并且是肿瘤从最初的恶性转化到组织侵入和转移的进展的中心。 对EMT niche中上调的细胞类型特异性基因的无偏分析揭示了几种在伤口愈合和肿瘤侵袭中起核心作用的关键分泌分子：肿瘤细胞中的LGALS1，成纤维细胞中的VEGFA和IGFBP5，以及巨噬细胞中的SPP1 3D邻域捕捉到了TME在多细胞 niche中的组织方式，并揭示了将局部细胞生态系统和分子状态与受体-配体相互作用联系起来的 niche特异性分子机制。
32020编辑于 2025-04-28脚本更新---高精度平台的细胞niche分析
作者，Evil Genius高精度平台（Xenium、CODEX、CosMx）的空间细胞邻域niche分析。核心就是一定距离内的细胞(window)都是该位置的niche环境。 高精度的细胞niche分析，通常需要指定研究的目标细胞类型，比如肿瘤细胞，然后研究其微环境的差异，进行细胞聚类。之前分享过一个方法，今天分享一个简单的。 ='sample', method='radius', cutoff=100, scale=1.0, cluster_key='cluster') 依据微环境细胞类型的聚类分析sp.tl.get_c_niche 'sample')AnnData object with n_obs × n_vars = 211649 × 44 obs: 'sample', 'leiden', 'cluster', 'C_niche X_umap', 'spatial' varm: 'PCs' obsp: 'connectivities', 'distances'绘图fig = sp.pl.show_celltype_niche_heatmap
24110编辑于 2025-01-17空间转录组分析之细胞Niche（python）版本
作者，Evil Genius其实关于细胞niche，之前已经分享了R版本的代码了，内容在10X空间转录组数据分析之细胞niche甚至还分享了关于分子niche的内容10X空间转录组数据分析补充之分子niche 分析代码拿到如下的结果：但是我们还是需要更新python版本，因为python版本的的细胞niche与cell2location进行对接，用到了目前比较流程的NMF的方法，所以在分析内容上会丰富很多。 1、分子矩阵，gene X barcode，这是最开始大家拿到的矩阵2、细胞矩阵，空间解卷积之后的矩阵，细胞 X Barcode3、分子niche矩阵， 即分子生态位矩阵，主要研究分子微环境，包括邻域通讯等 ， gene X Barcode4、细胞niche矩阵，即细胞生态位矩阵，主要用来研究细胞的空间排布，例如侵袭性的肿瘤细胞空间临近巨噬，所有细胞的空间排布形成了细胞niche矩阵. 在做细胞niche的时候，需要先进行单细胞空间的联合分析，推荐cell2location（python版本）关于cell2location在空转系列课程上全部讲过了，大家回看视频就可以了，视频全放在B站了
89511编辑于 2024-04-052024的自己还好么？简单聊聊空转思路
第二步，一般就是基础分析，整合，降维聚类，对visium、bin模式的华大、HD的平台，聚类的结果就是分子niche，或者叫context。 对Xenium、图像分割的华大、HD、CODEX、CosMx等平台，聚类不仅是分子niche，也直接就是具体的细胞类型，这个地方就开始有一些比较个性化的分析，比如不同处理组聚类结果的差异，分子niche 的生物学功能区别，分子niche与形态学的匹配问题等等。 第五步，niche的细胞组成差异，无论是邻域、还是细胞niche或者分子niche，不同处理都会导致空间上细胞的排布差异，这些差异，是分析的重点。 第七步，目标细胞类型的邻域差异分析，包括分子差异和细胞差异，以及环境的差异如何塑造目标细胞的表型，也就是从环境分析的角度来进行再分群。第八步，邻域通讯，细胞之间的互作，一般都是通讯完成。
21201编辑于 2024-12-22空转数据分析之细胞“社区”
还记得空间的四个矩阵么，课上讲过 1、分子矩阵，gene X barcode，这是最开始大家拿到的矩阵2、细胞矩阵，空间解卷积之后的矩阵，细胞 X Barcode3、分子niche矩阵， 即分子生态位矩阵 ，主要研究分子微环境，包括邻域通讯等， gene X Barcode4、细胞niche矩阵，即细胞生态位矩阵，主要用来研究细胞的空间排布，例如侵袭性的肿瘤细胞空间临近巨噬，所有细胞的空间排布形成了细胞niche 今天分享的空间细胞“社区”分析，主要针对空转的第四个矩阵，细胞niche矩阵，效果图如下提醒大家一句，个性化分析要根据自己的需求来，而且可以进行延伸，会分析之后思路就会变得非常重要。 closest relationship), and other distant spots (indicating nearly no interactive relationship).For each niche from three analytic methods of spatial information support that macrophage serve as an important niche
45120编辑于 2024-03-19文献分享---空间转录组学鉴定与肺纤维化远端肺重构相关的分子生态位失调（Xenium + HD）
结果2、生态位分析揭示了疾病产生的细胞相互作用使用两种互补的计算方法将样本划分为分子和细胞相似性区域(即空间“生态位”）。 为了克服这些限制，作者还开发了一种新的方法，通过直接使用转录数据来识别与细胞分配无关的niche。 然后，应用高斯混合模型对嵌入空间中的转录本进行聚类，并识别niche，使用共识方法将细胞分配给这些niche。niche如何与特定的病理特征对齐。 结果3、Disease-emergent macrophages在airspaces中积聚除了确定与特定病理特征密切相关的niche外，分析还揭示了广泛存在的分子病理学，这些分子病理学与典型的PF疾病特征并不特异性对应 最后我们来关注一下方法分子niche分析细胞niche的分析非常棒的文章，后续我们看看代码生活很好，有你更好
30210编辑于 2025-02-04文献汇总--Niche-specific细胞功能状态
今天我们继续汇总文献，关于Niche-specific细胞功能状态。当然了，分析都是一连串的，首先在高精度分析的时候，第一步就是细胞注释。 第二步，就是分析niche空间转录组的核心优势在于能将细胞映射回组织二维空间，从而分析细胞间相互作用和空间组织模式。 这个时候就来到分析的核心，Niche-specific细胞功能状态，即之前提到的niche-defined subtypes。相同的细胞类型比如T细胞，处于不同的CN中，其功能状态会有很大的不同。 T细胞富集区CN3：髓系细胞（如巨噬细胞）富集区CN5：肿瘤B细胞密集区二、T细胞功能状态的邻域特异性邻域T细胞特征功能解读CN1（T细胞富集）高表达初始/记忆标志物（如CCR7、IL7R）、细胞毒性分子 （如GZMB、IFNG），低表达耗竭标志物表明T细胞处于功能健全、活化且未耗竭的状态CN3（髓系富集）初始/记忆标志物↓，细胞毒性分子↑，同时高表达LAG3、TIM3（HAVCR2）、4-1BB（TNFRSF9
19820编辑于 2025-12-29- 来自专栏R基础
分子对接—蛋白分子和小分子配体
分子对接—蛋白分子和小分子配体记录下蛋白分子和小分子配体之间的分子对接，以HSP90AA1蛋白和川陈皮素为例1 蛋白结构下载Uniprot数据库中检索HSP90AA1蛋白（物种：人类）。 挑选最佳构象AF-P07900-F1（AlphaFold预测），下载其PDB格式文件；pubchem数据库中搜索川陈皮素（Nobiletin），获得其小分子结构的sdf格式文件。 pymol对 HSP90AA1蛋白结构进行删除水分子、删除无关配体或小分子等操作，重新输出文件为rep.pdbqt(一般下载的是AlphaFold预测的结构的话，不需要这个步骤，这里也做下)；使用pymol 记得保存口袋盒子的坐标，输出为grid.gpf格式sup/rep.pdbsup/lig.mol2sup/rep.pdbqtsup/lig.pdbqtsup/grid.gpf3 分子对接使用AutoDock Vina对上述文件进行分子对接。
2.2K11编辑于 2024-11-30 空转数据分析之特异性生态位基因依赖的细胞通讯
空间的邻域通讯汇总过了，文章在空间邻域通讯分析大汇总 空间的分子niche，也分享过了，文章在空间转录组学数据分析细胞邻域依赖的基因表达(分子邻域)，对应的是空间邻域分子矩阵。 那么在实际的分析中，我们需要二者结合，也就是Niche-DE与Niche-LR要联合分析。适用的空间平台：CosMx SMI、Slide-seq和Xenium、Visium、CODEX以及最新的HD。 为了实现这一目标，则需要分析niche-LR，这是一种将niche-DE统计数据与Niche-net配体-靶矩阵相结合的方法，以识别细胞类型之间的配体-受体信号通道。 应用以亚克隆1为目标、成纤维细胞为生态位细胞类型的Niche-DE鉴定IFNGR1为亚克隆1（subclone1, fibroblast）+的Niche基因。 = T,self_EN = F,G = 1)获取niche-DE的基因DE_genes = get_niche_DE_genes(NDE_obj,'I',index='stromal',niche =
78820编辑于 2024-04-09综述分享---肿瘤微环境的时空特征（niche）
即使在肿瘤内，不同的亚区域也可能表现出不同的细胞组成和分子功能，并且已经在多种癌症中发现，特定细胞类型在空间上聚集到不同的“niche”中可能导致肿瘤内异质性并影响患者结果。 空间组学数据的获取与预处理空间蛋白质组学、转录组学和基因组学技术的本质在于它能够在精确的空间坐标上同时检测分子成分。 靶向ISS可准确识别特定RNA分子，而非靶向ISS不需要预先设计探针组，可测量剪接异构体、突变和整个转录组。 多尺度空间特征将空间统计分析应用于预处理后的数据，可以进一步挖掘分子和细胞水平的空间特征，当这些计算定义的特征表现出特定的空间分布、细胞或分子组成以及在执行生物功能中的作用时，可以称之为“Spatial 高级结构（niche）多个变量形成了一个更高阶的组织结构，由这些基因/细胞代表的空间连续区域被组织成“细胞群落”，细胞水平的“niche”或“空间域”。
36220编辑于 2025-03-26方法分享----高精度空间组学数据中识别和表征细胞生态位
scNiche的设计理念分析需要的信息----分子矩阵、分子邻域矩阵和其邻域的细胞组成高精度平台表现低精度平台表现最后看看示例代码,在https://github.com/ZJUFanLab/scNiche ', 'Niche5', 'Niche3', 'Niche9', 'Niche2', 'Niche10', 'Niche1', 'Niche12', 'Niche8', 'Niche0', 'Niche4 ', 'Niche9', 'Niche4', 'Niche6', 'Niche7', 'Niche11', 'Niche12', 'Niche0', 'Niche5', 'Niche10', 'Niche1 ', 'Niche3', 'Niche12', 'Niche5', 'Niche14', 'Niche11', 'Niche1', 'Niche10', 'Niche2', 'Niche6', 'Niche8 ', 'Niche3', 'Niche12', 'Niche5', 'Niche14', 'Niche11', 'Niche1', 'Niche10', 'Niche2', 'Niche6', 'Niche8
26310编辑于 2025-02-18文献汇总--盘点一下空间转录组的聚类方法和亚群分类方式
第二个，细胞邻域矩阵，即每个点周围一定范围内的细胞类型组成，有两种策略，一种是windows策略，一种是最近邻策略，主要的目的是用来识别spatial niche，两种策略都有高分文章引用。 这个矩阵的聚类就是大家熟悉的细胞niche。第三个，分子邻域矩阵，即每个点周围一定范围内的基因表达特征，大家常用的banksy聚类，就是依据这种方式，其分析另外一个核心目的是研究细胞的邻域通讯。 这个矩阵的聚类就是分子niche。第二点，我们来探讨空间转录组亚群分析的方式。首先第一个，本身的分子矩阵是不是可以分析亚群？ 第二个，依据细胞邻域矩阵进行的亚群分析，这是分析的重点，在文章脚本优化--高精度（Xenium、CosMx）空间数据分析之niche-defined subtypes重点强调了这个内容，例如针对特定的细胞 邻域信息可帮助：发现与特定空间生态位（niche）相关的T细胞状态揭示T细胞如何响应局部信号（如PD-L1高表达区域诱导T细胞耗竭）→ 有助于理解T细胞的空间编程（spatial programming
22920编辑于 2025-12-24空间转录组cell niche（流程试用版）
而且似乎分子niche和细胞niche是必要的分析这里备注一下cell niche的脚本示例，以备后续使用library(Seurat)library(SeuratObject)library(tidyverse ---- # Niche by Cell Type CairoPNG(paste0(plot_save_dir, niche_name_var, "_by_ct.png"), width Niche Proportion", fill = "", title = niche_name_var) + theme_bw(base_size = 12) + theme(axis.text ) + theme_classic(base_size = 14) + labs(x = "", y = "Niche Proportions", title = niche_name_var ) + theme_classic(base_size = 14) + labs(x = "", y = "Niche Proportions", title = niche_name_var
76400编辑于 2024-06-08内容复习---visium（stereo bin > 50）细胞niche与共定位分析
接下来就是分析细胞niche，第五课的关键内容。 关于细胞niche，2024的课程讲解的是R版本，2025不仅更新了R版本，同时提供了python版本，大家拿到之后，用在自己的项目中即可，其中有很多的注意事项要留意，不要盲目跑代码。 关于细胞niche与共定位的生物学解读，推荐大家读文章随着做空间的课题组越来越多，越来越卷是必然的趋势，那么分析也会水涨船高，就像单细胞分析一样，慢慢会的人也越来越多，风口也就那么几年，希望大家抓住机遇
35520编辑于 2025-07-16空间转录组学数据分析细胞邻域依赖的基因表达(分子邻域)
作者，Evil Genius今天我们来继续分享关于空间转录组的内容，回到之前的一个分析，空间转录组有四大矩阵1、分子矩阵，gene X barcode，这是最开始大家拿到的矩阵2、细胞矩阵，空间解卷积之后的矩阵 ，细胞 X Barcode3、分子niche矩阵， 即分子生态位矩阵，主要研究分子微环境，包括邻域通讯等， gene X Barcode4、细胞niche矩阵，即细胞生态位矩阵，主要用来研究细胞的空间排布 ，例如侵袭性的肿瘤细胞空间临近巨噬，所有细胞的空间排布形成了细胞niche矩阵. 今天我们要分享关于第三个矩阵的分析，即分子niche矩阵，主要的目的就是研究细胞邻域依赖基因表达。其中涉及到的内容，细胞邻域，细胞类型，基因表达。 邻域分子的分析策略邻域依赖基因是参与细胞-细胞相互作用的一种新的潜在基因邻居依赖基因表现出niche特异性表达niche特异性基因表达解释了细胞异质性我们来用代码分析一下这个问题，python版本,10X
89320编辑于 2024-03-25文献汇总--盘点一下visium的niche分析
Niche 分析（生态位分析）在空间转录组背景下，识别和表征特定细胞类型或区域周围的微环境（即“niche”），包括邻近细胞类型组成、细胞间相互作用、信号通路活性等。 基于细胞类型组成：计算每个 spot 周围各类细胞的比例，形成“niche profile”。 第三步：Niche 表征与比较Niche 聚类：对所有 spots 的邻域组成进行聚类（如 Leiden），识别重复出现的微环境类型。 差异 niche 分析：比较不同条件（如肿瘤 vs 正常）中 niche 的频率或组成变化。参考文献第一篇，这篇文章有代码，大家可以拿去复现一下。 第二篇分析策略第三篇分析策略细胞矩阵进行降维聚类分析获得niche。高精度的niche以及niche的差异分析分析内容，我们后续总结。生活很好，有你更好。
16420编辑于 2025-12-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号