4 | scTM：空间基因主题分析

今天为大家介绍新加坡国立大学Chen Jinmiao实验室2024年10月25日发表在Nature Methods上的空间转录组学分析工具：scTM。该工具结合主题模型和深度生成模型，基于空间位置和基因表达信息，提取低维空间主题及生物相关的基因模块。说的通俗点就是把具有相似空间分布的基因作为一个基因主题，那么一个样本上可以分成多个不同的基因主题。（文末附有官网教程、文章链接）

语言：Python。依赖于GPU，需要在有GPU的环境下运行。需要有AnnData格式的输入文件，如果是基于R注释的细胞，需要转换为python版本。

平台：Spot or single-cell resolution datasets,如Visum、Stereo-seq、Slide-seq V2、CosMx SMI、Xenium等。

功能介绍：

1.计算样本内主题。如下为肺癌样本上15个主题的分布，每个高亮的区域都代表有多个基因在这个位置高表达。代码中也可调整需要的主题数量。不过也会计算出来一些相似的主题，他们之间只有微小的基因差异。可以根据需要进行合并。

还可以把不同的主题展示在一张图上

2. 也可以计算样本间的主题分布（如下所示）。

3. 一行代码直接对每个主题进行通路富集，可以快速得到每个主题富集的主要信号通路。

4. 相同的数据，scTM画基因在样本上的分布图好看又好用（如下所示），不用操心每个基因的阈值不同。而squidpy给出的代码画出来的图需要根据每个基因的阈值不同进行调整或normlize才会比较好看，不利于展示小部分地方表达或被个别点拉高颜色的基因。

下面是批量画出每个样本感兴趣的基因的代码，有需要的朋友可以使用。

Gene_list=['GeneA','GeneB','GeneC','GeneD'] #可以输入很多个基因。for s in adata_concat.obs['Sample'].unique():        adatasub=adata_concat[adata_concat.obs['Sample']==s]        sctm.pl.spatial(            adatasub,             color=Gene_list,             cmap='viridis_r',            size=1,            vmax='p99',            show=False            )        plt.savefig(path_to_save,bbox_inches='tight')        plt.close()

同类工具比较：

优势：兼顾了基因表达和空间信息，可进行多样本分析，且不需要细胞类型的注释。和NicheCompass（3 | NicheCompass：空间邻域注释）的区别在于：NicheCompass等Niche注释工具更侧重将样本上的细胞分成多个区域，而scTM更侧重将样本上的基因分成多个主题。分析的时候建议多种方法都试试。

不足之处：在模型训练过程中，个别样本会报以下错误，似乎是取样训练过程中GammaPoisson() 的输入数据中基因表达值太低，我暂时还不太知道该怎么解决这个bug比较好。​​​​​​​

ValueError: Expected value argument (Tensor of shape (256,960)) to be within the support (IntegerGreaterThan(lower_bound=0)) of the distribution GammaPoisson(), but found invalid values:tensor([[1.0000e-05, 1.0000e-05, 1.0000e-05,  ..., 2.0000e+00, 1.0000e-05,         2.0000e+00],        [1.0000e-05, 1.0000e-05, 1.0000e-05,  ..., 2.0000e+00, 1.0000e-05,         3.0000e+00],        [1.0000e-05, 1.0000e-05, 1.0000e-05,  ..., 2.0000e+00, 1.0000e-05,         5.0000e+00],        ...,        [1.0000e-05, 1.0000e-05, 1.0000e+00,  ..., 1.0000e-05, 1.0000e-05,         5.0000e+00],        [1.0000e-05, 1.0000e-05, 1.0000e-05,  ..., 1.0000e+00, 1.0000e-05,         1.6000e+01],        [1.0000e-05, 1.0000e-05, 1.0000e-05,  ..., 1.0000e-05, 2.0000e+00,         2.0000e+00]], device='cuda:0')

教程(安装以及各种平台的分析流程):https://jinmiaochenlab.github.io/scTM/

Title: Interpretable spatially aware dimension reduction of spatial transcriptomics with STAMP

DOI: 10.1038/s41592-024-02463-8

Github: https://github.com/JinmiaoChenLab/scTM