Spatial Transcriptomics: Методи, Аналіз та Біологічні…

Resolution Levels

Capture-based (10x Visium, Slide-seq V2): spot-level resolution

Imaging-based (MERFISH, seqFISH, CosMx): subcellular resolution

In situ sequencing and hybrid methods

Sample Preparation & Quality Control

Preserve RNA integrity, optimize permeabilization, and include spatial controls. Record tissue thickness, fixation, and probe panels.

Computational Workflow

Preprocessing: background correction, alignment, and molecule counting

Normalization and batch correction

Spot deconvolution using scRNA-seq references

Spatial domain detection and differential expression

Ligand–receptor interaction analysis

жива демонстрація · пов'язана симуляція● LIVE

Analysis of Spatial Gene Expression Patterns

Identify spatially distinct gene expression clusters using dimensionality reduction techniques such as Principal Component Analysis (PCA) and t-distributed Stochastic Neighbor Embedding (t-SNE). These methods project high-dimensional gene expression data onto lower-dimensional spaces, revealing underlying spatial organization. Visualize these clusters on a spatial map to identify regions with unique transcriptional profiles. Further analysis can be performed using tools like UMAP for enhanced visualization and clustering.

Applications

Tumor microenvironment profiling

Developmental gradients and lineage tracing

Neuroscience: laminar organization

Inflammation and fibrosis mapping

Examples

Example 1: Visium Brain Slice Run Space Ranger; map spots to histology. Deconvolute with scRNA references; identify layers. Validate with layer-specific markers.

Example 2: MERFISH Tumor Panel Design a 500-gene panel including immune markers. Segment cells; quantify transcripts; compute neighborhood statistics. Infer interaction hotspots and therapeutic targets.

Часті запитання

Як обрати між методами захоплення та імунозолою?

Збалансуйте роздільну здатність, пропускну здатність, кількість цільових генів та доступ до обладнання.

Скільки клітин на кожне плямистий місце повинно бути?

Зазвичай 1–10 залежно від платформи та тканини; це мотивує деконволюцію.

Як валідувати просторові домени?

Використовуйте гістологічні маркери, іну-гібридизацію та відому анатомію.

Як обробляти автофлуоресценцію?

Застосовуйте спектральне розрізнення, обирайте барвники відповідно та використовуйте очищення тканин, якщо це сумісно.

Які показники вказують на якість даних?

UMIs на плями/клітину, виявлені гени, коефіцієнт збіжності та просторова гладкість.

Як виправити складання тканин?

Реєструйте секції за допомогою контрольних точок; відкидайте спотворені області, коли це необхідно.

Як проводити аналіз взаємодії клітин–клітин?

Інтегруйте бази даних ліганд-рецепторів з показниками на основі близькості.

Як об'єднати кілька секцій?

Реєструйте в єдиному координатній системі; враховуйте ефекти пакетування.

Які поширені пастки?

Недостатня просочення, надмірна експозиція, неповна гібридизація зонда та погана реєстрація.

Як представити результати?

Надайте контур обробки, параметри, списки зондів та підсумки контролю якості.

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Michaelis-Menten Kinetics і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.

▶ Відкрити симуляцію Michaelis-Menten Kinetics

Просторова Транскриптоміка