spatial-transcriptomics-tutorials-with-omicverse

Guide users through omicverse's spatial transcriptomics tutorials covering preprocessing, deconvolution, and downstream modelling workflows across Visium, Visium HD, Stereo-seq, and Slide-seq datasets.

1. Zainstaluj omicverse i jego zależności (scanpy, numpy) w swoim środowisku Python. Umiejętność wymaga dostępu do bibliotek omicverse.space, omicverse.io.spatial i omicverse.plot.

2. Załaduj dane przestrzenne za pomocą funkcji omicverse – użyj ov.io.spatial.read_visium() dla danych Visium lub załaduj dane ręcznie, upewniając się, że współrzędne przestrzenne znajdują się w adata.obsm['spatial'] jako tablica numeryczna.

3. Przed jakąkolwiek operacją przestrzenną sprawdź, czy współrzędne istnieją i są typu float64. Wykonaj asercję: assert 'spatial' in adata.obsm, a następnie skonwertuj: adata.obsm['spatial'] = adata.obsm['spatial'].astype('float64'). Ten krok zapobiega błędom precyzji podczas rotacji i przycinania.

4. Przeprowadź preprocessing: użyj ov.space.crop_space_visium() do wybrania regionu zainteresowania (podaj współrzędne i rozmiar obszaru), a następnie ov.space.rotate_space_visium() do rotacji danych. Po rotacji wyrównaj współrzędne automatycznie za pomocą ov.space.map_spatial_auto() z metodą 'phase' lub ręcznie za pomocą map_spatial_manual().

5. Przejdź do etapu dekonwolucji i analizy downstream zgodnie z dokumentacją omicverse – wybierz metodę dekonwolucji (Tangram, cell2location lub Starfysh), klasteryzacji (GraphST, STAGATE) i dalszych analiz w zależności od Twoich pytań badawczych.

6. Wizualizuj wyniki za pomocą ov.plot_set() na początku sesji, aby ustawić domyślne parametry graficzne, a następnie używaj funkcji plotowania omicverse do prezentacji wyników preprocessing i analiz downstream.