single2spatial-spatial-mapping

Map scRNA-seq atlases onto spatial transcriptomics slides using omicverse's Single2Spatial workflow for deep-forest training, spot-level assessment, and marker visualisation.

1. Zainstaluj omicverse i wymagane biblioteki (scanpy, anndata, pandas, numpy, matplotlib). Zaimportuj omicverse jako ov i ustaw styl wykresów poleceniem ov.utils.ov_plot_set().

2. Przygotuj dane: wczytaj macierz scRNA-seq i dane spatial transcriptomics za pomocą pd.read_csv(), następnie konwertuj do obiektów AnnData. Dołącz metadane zawierające typy komórek dla danych single-cell oraz współrzędne przestrzenne (xcoord, ycoord) dla danych spatial.

3. Zainicjuj Single2Spatial, podając single-cell data, spatial data, klucz kolumny z typami komórek ('Cell_type') oraz klucz kolumn ze współrzędnymi (['xcoord','ycoord']). Upewnij się, że macierze są znormalizowane i log-skalowane.

4. Wytrenuj model deep-forest poleceniem train(), definiując liczbę pseudo-spotów (spot_num), liczbę komórek na spot (cell_num), katalog zapisu wyników oraz parametry treningu (liczba epok, batch size). Model wygeneruje zrekonstruowaną przestrzenną AnnData.

5. Załaduj wytrenowany model i zastosuj go do nowych danych spatial, aby uzyskać przewidywane proporcje komórek w każdym spocie.

6. Wizualizuj wyniki: wyświetl mapy ekspresji markerów na slajdach spatial, porównaj przewidywane proporcje z danymi rzeczywistymi i oceń jakość mapowania na poziomie poszczególnych spotów.