空转分析工具之R包SpaCET

主要观点总结

本文介绍了一个名为SpaCET的R包，它可以估算细胞谱系组成并解析肿瘤微环境（TME）中的细胞间相互作用。SpaCET可以通过整合常见恶性肿瘤的基因模式字典来推测肿瘤细胞的丰度，并采用受约束的线性回归模型来校准局部组织密度，同时基于全面的非恶性细胞图谱来确定基质和免疫细胞谱系比例。此外，SpaCET还能揭示肿瘤微环境中的潜在细胞-细胞互作，特别是在肿瘤-免疫界面。文章提供了一个使用SpaCET分析乳腺癌样本的详细步骤，包括安装R包、创建SpaCET对象、质控、ST解卷积、可视化细胞类型比例、寻找共定位的细胞类型对、分析ST spots中的L-R网络富集情况、分析肿瘤-免疫界面以及探索癌细胞状态。

关键观点总结

关键观点1: SpaCET R包用于估算细胞谱系组成和解析肿瘤微环境中的细胞间相互作用。

SpaCET可以通过整合常见恶性肿瘤的基因模式字典来推测肿瘤细胞的丰度并解析细胞间相互作用。

关键观点2: SpaCET的安装和使用步骤。

需要先安装devtools包，然后使用install_github()函数安装SpaCET包。创建SpaCET对象、质控、ST解卷积是分析流程的关键步骤。

关键观点3: SpaCET可视化细胞类型的空间分布。

使用SpaCET.visualize.spatialFeature函数展示细胞类型的空间分布，以及共定位的细胞类型对的空间分布。

关键观点4: 寻找共定位的细胞类型对并分析ST spots中的L-R网络富集情况。

使用SpaCET.CCI.colocalization和SpaCET.CCI.LRNetworkScore函数计算和评估细胞间的共定位和L-R网络得分。

关键观点5: 分析肿瘤-免疫界面。

使用SpaCET.identify.interface函数鉴定肿瘤-间质界面，并通过可视化展示。此外，计算CAF-M2与肿瘤边界的距离，以探索癌细胞状态。

关键观点6: 探索癌细胞状态。

通过层次聚类推断不同的癌细胞状态，并使用SpaCET.deconvolution.malignant函数进一步分解恶性细胞状态。