当前位置：首页 > java >正文

CellCharter | 入门了解

java 2025/8/28 11:14:27

Background — cellcharter

内容来源于以上链接，下面大多是原教程的翻译，稍加自己的思考。

这是第一期，后面会有第二期：详细教程

一、背景

空间聚类（Spatial Clustering）（或空间域识别，spatial domain identification）能确定以这些群体的特定混合为特征的细胞生态位（cellular niches）。它根据细胞的内在特征（也可以叫做分子特征，例如protein或 mRNA expression）以及组织中邻近细胞（neighboring cells）的特征，将细胞分配到不同的cluster中。

CellCharter 能够自动identify spatial domains，并提供一套用于cluster characterization和comparision的方法。

二、功能

1、identify多个样本的niches：通过结合 scVI 和 scArches 的优势，CellCharter 能够同时为多个样本识别niche，即便存在batch effects也不例外。
2、Scalability：CellCharter 能够处理包含millions of cells和thousands of features的大型数据集。在 GPU 上运行它的可能性使其速度更快。
3、Flexibility：CellCharter 可用于不同类型的空间组学数据，如空间转录组学、蛋白质组学、表观基因组学和多组学数据。唯一的区别在于用于dimensionality reduction 和 batch effect removal的方法。
1）Spatial transcriptomics：CellCharter 已在采用零膨胀负二项分布的 scVI 上进行了测试。
2）Spatial proteomics：CellCharter 已在 scArches 的一个版本上进行了测试，该版本经过修改，使用均方误差损失代替默认的负二项损失。
3）Spatial epigenomics：CellCharter 已在采用泊松分布的 scVI 上进行了测试。
4）Spatial multiomics：可以使用诸如 MultiVI，或者使用来自不同模型结果的拼接。
4、最佳域数量候选：CellCharter 提供了一种寻找多个最佳域数量候选的方法（best candidates），该方法基于特定数量的domain在多次运行中的稳定性。
5、域特征分析：CellCharter 提供了一套用于 characterize 和 compare spatial domains 的工具，例如domain proportion、cell type enrichment、（differential）neighborhood enrichment、domain shape characterization等。
从 CellCharter 0.3.0 版本开始，我们将高斯混合模型（GMM）的实现从PyCave（已不再维护）迁移到了TorchGMM，这是 CSO 团队维护的 PyCave 的一个分支。这一变化使我们能够拥有一个更稳定且持续维护的 GMM 实现，该实现与最新版本的 PyTorch 兼容。

三、Getting Started

三个链接：

项目总位置：https://cellcharter.readthedocs.io/

API documentation.
Tutorials

四、Installation

1、创建 conda 或 pyenv 环境
2、安装 Python >= 3.8 和 PyTorch >= 1.12.0。如果计划使用 GPU，请确保先点这个链接Get Started并安装正确版本的 PyTorch。
3、根据你计划分析的数据类型，安装用于dimensionality reduction和batch effect removal的库：
1）scVI 适用于空间转录组学和 / 或表观基因组学数据，例如 10x Visium 和 Xenium、Nanostring CosMx、Vizgen MERSCOPE、Stereo-seq、DBiT-seq、MERFISH 和 seqFISH 数据。
2）scArches 的 TRVAE 模型的修改版本适用于空间蛋白质组学数据，例如 Akoya CODEX、Lunaphore COMET、CyCIF、IMC 和 MIBI-TOF 数据。
4、使用 pip 安装 CellCharter：

pip install cellcharter

我们建议使用mamba来安装依赖项。安装依赖项的最新版本（特别是scvi-tools和spatialdata）可能会导致依赖冲突。不过，这应该不是问题，因为 CellCharter 不会使用任何不匹配的功能。

在此我们提供一个旨在分析空间转录组学数据（因此需要安装scvi-tools）的安装示例。该示例基于带有 NVIDIA A100 GPU 的 Linux CentOS 7 系统。

conda create -n cellcharter-env -c conda-forge python mamba
conda activate cellcharter-env
mamba install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia
pip install scvi-tools
pip install cellcharter

注意：不同的系统可能需要不同的命令来安装 PyTorch 和 JAX。有关更多详细信息，请参考它们各自的文档。