Seurat、Scanpy 与 Squidpy
Seurat 和 Scanpy 可直接读取 Visium 数据，完成标准化、聚类和空间可视化；Squidpy 在 Scanpy 基础上提供邻域富集、共定位和空间自相关统计。单细胞分辨率的成像数据通常先做细胞分割。
14个分析 Skill · Codar 生信插件
空间组学 AI 分析
空间组学在保留组织位置信息的同时测量基因、蛋白或代谢物，研究细胞在组织中的分布和邻域关系，常见数据有 Visium、Xenium 等空间转录组、成像质谱流式和 MALDI 质谱成像。Codar 的空间组学插件覆盖空间域识别、单细胞参考解卷积、空间细胞通讯与微环境，以及空间 ATAC、空间蛋白组和空间代谢组分析。
空间组学能回答哪些研究问题
- 肿瘤组织中免疫细胞主要分布在哪些区域？
- 这张组织切片可以划分为哪些空间结构域？
- 每个 Visium spot 中各细胞类型的比例是多少？
- 哪些基因的表达呈现明显的空间分布模式？
- 肿瘤边界处的细胞之间存在哪些相互作用？
空间组学分析流程
- 1
读取与对齐
读取 Space Ranger 输出或成像平台数据，确认 spot 或细胞坐标与组织图像对齐无误。
- 2
质控过滤
按每个 spot 的 UMI 数和基因数过滤，留意组织边缘、褶皱和气泡处的异常信号。
- 3
空间域识别
结合表达与空间邻近关系划分结构域，并与 HE 切片上的形态学区域对照。
- 4
解卷积与映射
以组织来源匹配的单细胞数据作参考，估计每个 spot 的细胞类型组成。
- 5
微环境分析
分析细胞类型的空间共定位、邻域组成和配体-受体通讯，找出特征性的细胞生态位。
- 6
结果交付
输出叠加在组织图像上的空间分布图、细胞比例表、处理后的数据对象和分析脚本。
常用方法与怎么选
cell2location、RCTD 与 Tangram
三者都借助单细胞参考推断空间位置的细胞组成。cell2location 和 RCTD 估计每个 spot 的细胞类型丰度，适合 Visium；Tangram 把单个细胞映射到空间位置。参考与空间样本的组织来源应尽量一致。
BayesSpace、SpaGCN 与 STAGATE
这些方法在聚类时引入空间邻近信息，得到更连续的空间域。BayesSpace 基于贝叶斯模型并可提升分辨率，SpaGCN 能结合组织学图像，STAGATE 使用图注意力自编码器。结果应与组织学注释对照。
Cardinal、steinbock 与 imcRtools
Cardinal 是常用的质谱成像 R 包，用于峰提取、标准化和空间分割；steinbock 和 imcRtools 常用于成像质谱流式的单细胞提取与邻域分析。这类数据很依赖预处理，如质量校准、峰对齐和细胞分割。
需要准备的数据
- Space Ranger 输出目录（含图像与坐标）
- 成像平台导出的细胞坐标与表达矩阵
- 组织来源匹配的单细胞参考数据
- 样本信息与组织学注释（可选）
能得到的结果
- 叠加组织图像的基因表达空间分布图
- 空间域划分结果与各区域标记基因
- 每个 spot 的细胞类型比例表与分布图
- 细胞共定位与邻域富集分析结果
- 空间配体-受体通讯分析结果
- 处理后的数据对象与分析脚本
空间组学插件包含的分析能力
共 14 项。启用插件后，Codar 会按任务自动选用，不需要逐个记住名称。
- 空间ATAC与空间表观组分析
- 空间转录组解卷积与细胞映射
- 空间域识别
- 空间代谢组与质谱成像分析
- 空间细胞通讯与微环境分析
- 空间蛋白质组分析
- 空间转录组分析
nf-core 标准流程（7 个）
- nf-core-imcyto流程
- nf-core-mcmicro流程
- nf-core-molkart流程
- nf-core-panoramaseq流程
- nf-core-sopa流程
- nf-core-spatialaxe流程
- nf-core-spatialvi流程
在 Codar 里怎么用
- 1
切换到生信模式
在 Codar 左上角选择 Codar 生信。
- 2
启用「空间组学」
在插件页找到「空间组学」，安装或启用。
- 3
描述研究问题
用一句话写清数据和目标，确认分析方案后开始执行。
可以这样提问
帮我分析这份 Visium 空间转录组数据，识别空间域，并用单细胞参考做细胞类型解卷积。
空间组学常见问题
Visium 空间转录组需要做解卷积吗？
标准 Visium 的每个 spot 直径约 55 微米，通常包含多个细胞，测到的是混合信号，想了解细胞类型分布时一般需要解卷积。Visium HD、Xenium 等接近或达到单细胞分辨率的平台，更常见的做法是先做细胞分割，再直接注释。
空间转录组和单细胞转录组有什么区别？
单细胞转录组能在单个细胞层面测得较完整的转录组，但组织解离后丢失了位置信息；空间转录组保留位置，但多数平台要么分辨率有限，要么只检测预设的基因面板。两者常配合使用：单细胞提供细胞类型参考，空间数据给出分布和邻域。
空间域识别和普通聚类有什么不同？
普通聚类只看表达相似性，同一解剖区域的 spot 可能被分到不同簇；空间域识别方法同时考虑相邻位置的表达，划出的区域更连续，也更接近组织结构。不过空间平滑可能掩盖小而分散的细胞群，结果需要与组织学切片对照。
其他生信插件
macOS 12+Mac
Windows 10+Windows