怎么说呢，

在空间转录组分析的入门阶段。很多同学都会遇到以下痛点：

• 环境配置混乱：R 包版本不匹配、依赖未安装导致代码报错。
• 数据结构不清晰：不知道如何读取 10X Spatial 数据还有 Seurat 对象内部结构。说起来，
• 标准化与质量控制难以把握：不一样本测序深度差异大。不知道该用哪种归一化方法。
• 可视化参数调节繁琐：图形颜色、点大小、透明度等细节经常需要反复试验。
• 空间变异基因识别模糊：不清楚 FindMarkers 与 FindSpatiallyVariableFeatures 的适用场景。
• 区域子集提取困难：缺乏直观的方式从整个切片中截取感兴趣的组织区域。

.R 包和数据准备

先清空工作区并加载必备库：

rm)
library
library
library
library
library

示例数据可以直接从 10X 官方下载，也可以通过 SeuratData 包获取。InstallData 会检查是否已安装，避免重复下载。

InstallData
brain <- LoadData
brain

## An object of class Seurat
## features across samples within assay
## Active assay: Spatial
## layer present: counts
## spatial field of view present: anterior1

如果是自己的原始空间转录组数据，需要使用 Load10X_Spatial 读取。 目录结构如下：

GSM7980860/
├── filtered_feature_bc_matrix/ # 表达矩阵文件夹
│ ├── barcodes.tsv.gz # Spot 编号
│ ├── features.tsv.gz # 基因信息
│ └── matrix.mtx.gz # 稀疏表达矩阵
└── spatial/ # 空间信息文件夹
├── tissue_positions_list.csv # 空间坐标文件
├── scalefactors_json.json # 图像缩放比例参数
└── tissue_hires_image.png # 高清 HE 染色组织切片图

查看 Seurat 对象的完整结构，以便熟悉各个 slot 的作用：

str

.数据预处理

痛点：测序深度不均导致假阳性差异基因。

先观察每个 spot 的原始计数分布：

plot1 <- VlnPlot + NoLegend
plot2 <- SpatialFeaturePlot + 
         me
wrap_plots

SCTransform 是目前推荐的标准化方案，它一次性完成归一化、可变基因挑选和尺度化：

brain <- SCTransform

.指定基因表达量的可视化

下面示例展示了两种基因的空间表达模式。可以通过 pt.size.factor,alpha。bordersize 等参数微调点大小和透明度，以突出低表达区域。

SpatialFeaturePlot)
# 调整点大小示例
p1 <- SpatialFeaturePlot
# 调整透明度示例
p2 <- SpatialFeaturePlot)
p1 + p2

.降维、聚类与可视化

使用 PCA 降维后进行邻居图建立、聚类还有 UMAP 可视化：

brain <- RunPCA
brain <- FindNeighbors
brain <- FindClusters
brain <- RunUMAP

自定义配色方案:

# 安装 paletteer 与 RColorBrewer
library
library
my_colors <- paletteer_d
my_colors <- colorRampPalette)

p1 <- DimPlot(brain, reduction = "umap", label = TRUE) + scalecolormanual(values = mycolors。name = "Cluster") + coordfixed + NoLegend

p2 <- SpatialDimPlot(brain, label = TRUE, label.size = 3) + scalefillmanual(values = my_colors,name = "Cluster")

p1 + p2

If you want to highlight specific clusters directly on tissue slice:

SpatialDimPlot(
brain,cells.highlight = CellsByIdentities(object=brain,idents=c),facet.highlight=TRUE,ncol=1) &
me,"mm"))

.识别空间高变基因

Pain point: 不知道该用传统差异表达还是专门的空间变异检测方法。

.差异表达方式

demarkers <- FindMarkers(
                brain,
                ident.1   = "cluster0",ident.2 ="cluster_1")
SpatialFeaturePlot(
object = brain。features = rownames,alpha = c,ncol = 3 )

.空间变异检测

SCTransform 后的可变基因集合可以直接作为输入；默认使用莫兰指数，若想加速，可安装 .

brain <- FindSpatiallyVariableFeatures( brain, features = VariableFeatures, selection.method ="moransi") top.features <- head,6)

SpatialFeaturePlot( brain,features = top.features,ncol = 3,alpha = c) & me,"mm"))

.提取感兴趣区域子集

The biggest hurdle for beginners is deciding *where* to cut out a region from a whole‑slice image.

.依据聚类手动裁剪

brain_sub <- subset(brain, idents=c)

SpatialDimPlot( brain_sub,label = TRUE,crop = TRUE,label.size= 4 ) + NoLegend

.显示坐标轴帮助定位

meaxislabels <- me(
          axis.text.x   = elementtext,axis.text.y = elementtext,axis.title.x = elementtext。axis.title.y= elementtext)

SpatialDimPlot( brainsub,label = TRUE,label.size= 4,crop = TRUE ) + meaxis_labels

.矩形裁剪示例

If you already know rectangular window,use built‑in Crop function:

brainsub] <- Crop(
       brainsub],x=c,# 根据实际坐标自行修改
y=c)

SpatialDimPlot

.斜线裁剪这方面，去除不属于前额叶皮层的右下角细胞

m <- -0.6 # slope b <- 800 # intercept

cortexcoords <- GetTissueCoordinates( brainsub,scale ="lowres") %>% subset)

cortex <- subset

saveRDS saveRDS

spatial_plot <- SpatialDimPlot

spatial_plot

---

这篇文章代码全部来源于 Seurat 官方空转教程，适用于 **Seurat v5+** 环境。若在执行过程中出现依赖冲突，请先检查 R 包版本并参考官方文档升级或降级。

---