在GitHub上，使用Python进行转录组数据分析的工具和方法已经非常成熟。这些工具通常提供了一系列的功能，包括数据预处理、空间分析、基因表达模式识别等。以下是一些常用的Python工具及其主要功能： ### 常用Python工具 #### 1. **Stereopy** Stereopy 是一个专门为**空间转录组学**（Spatial Transcriptomics, ST）数据分析设计的 Python 工具包。它支持多种空间转录组数据格式，并提供了从数据加载、质量控制、标准化到空间模式识别的一整套分析流程 [^1]。 - 支持的空间分析方法包括：空间基因梯度分析（STG）、非负矩阵分解（NMF）用于空间域识别等。 - GitHub 地址：[https://gitcode.com/gh_mirrors/st/Stereopy](https://gitcode.com/gh_mirrors/st/Stereopy) #### 2. **Scanpy** Scanpy 是一个广泛使用的单细胞 RNA 测序（scRNA-seq）分析工具，也支持部分空间转录组数据的分析。它可以与 `squidpy` 结合使用来增强空间分析能力。 - 功能包括：聚类、降维（如 PCA、UMAP）、差异表达分析、轨迹推断等。 - GitHub 地址：[https://github.com/theislab/scanpy](https://github.com/theislab/scanpy) #### 3. **Squidpy** Squidpy 是基于 Scanpy 的扩展库，专注于空间转录组学中的图像处理和空间模式识别。 - 提供了空间邻域图构建、空间共定位分析等功能。 - GitHub 地址：[https://github.com/theislab/squidpy](https://github.com/theislab/squidpy) #### 4. **SpaOTsc** SpaOTsc 是一个用于空间转录组数据中细胞类型分布建模的工具，利用最优传输理论进行空间映射。 - GitHub 地址：[https://github.com/ChenMengjie/SpaOTsc](https://github.com/ChenMengjie/SpaOTsc) #### 5. **Giotto** Giotto 是一个全面的空间转录组数据分析平台，支持从原始图像处理到高级生物学解释的全流程分析。 - 包括空间域识别、细胞间通讯分析、空间可视化等功能。 - GitHub 地址：[https://github.com/RubD/Giotto](https://github.com/RubD/Giotto) ### 分析方法概述 #### 数据预处理 - 质量控制（QC）：过滤低质量细胞或 spot。 - 标准化：对基因表达矩阵进行归一化处理。 - 特征选择：挑选高变基因（HVGs）以减少噪声。 #### 空间模式识别 - 使用 NMF 或 PCA 进行空间域识别。 - 构建空间邻域图并分析局部基因表达模式。 #### 细胞类型注释 - 利用已知 marker 基因进行细胞类型标注。 - 可结合机器学习方法进行自动注释。 #### 可视化 - UMAP/t-SNE 降维可视化。 - 空间热图、点图、因子叠加图等用于展示空间分布特征。 ### 示例代码片段（使用 Stereopy） ```python import stereopy as st # 加载数据 data = st.read_visium("path/to/visium_data") # 预处理 data = st.preprocessing(data) # 空间域识别（使用 NMF） nmf_result = st.nmf_analysis(data) # 空间基因梯度分析（STG） lsgi_res = st.lsgi_analysis(data) # 可视化结果 st.plot.overlay_factor(data, lsgi_res, sel_factors=["nmf_3", "nmf_7"]) ``` ###