欢迎访问!



什么是 webSCST?


webSCST是首个用于单细胞RNA测序数据和空间转录组整合的Web工具。其用户友好的交互式界面提供三大主要功能: 单细胞数据上传和处理 , spatial transcriptome database and integration 。用户可以上传他们的原始单细胞 RNA-seq 数据,经过处理并与我们手动收集的空间转录组数据集自动匹配后,最终得到每种细胞类型的预测空间信息。

webSCST 的工作原理是什么?


  • 步骤一:用户首先上传原始单细胞RNA测序(scRNA-seq)数据,webSCST可以交互式地处理该数据集。具体来说,用户需要上传mtx格式的单细胞基因表达矩阵、tsv格式的基因名称和细胞名称以及txt格式的细胞类型注释。提交后,用户可以获得已提交数据集的概要信息,例如基因数量、细胞数量和细胞类型数量。用户可以通过下载示例文件了解详细的要求。
  • 步骤 2. 在“质量控制”页面,用户可以交互式地处理提交的数据集。用户首先可以通过设置阈值来过滤低质量细胞,例如每个细胞中检测到的基因的最小数量、最大数量以及线粒体计数百分比。在“归一化和缩放”步骤中,用户可以选择或输入所需的参数,例如归一化缩放因子或使用的特征数量。随后,用户可以根据“聚类”步骤中的聚类结果,交互式地选择要使用的主成分数量。最后,用户可以下载处理后的干净数据集以及每种细胞类型的标记基因,以进行进一步分析。
  • 步骤 3. 在“数据库”部分,我们已手动整理了 43 个空间转录组数据集(136 个子数据集),并将根据公开可用的空间转录组数据集的增加情况不断更新。用户在指定物种和组织后,即可查看任何感兴趣基因的空间表达情况。
  • 步骤 4. 在“数据整合”页面,用户需要上传已处理的单细胞 RNA 数据集以及从“质量控制”步骤下载的标记物。或者,用户也可以点击“加载质量控制结果”按钮自动上传刚刚处理的数据集。处理后的单细胞数据随后可以与我们根据器官和物种整理的空间转录组数据自动匹配。点击“手动匹配空间数据集”按钮,用户还可以选择数据库中通过 ID 手动收集的任何空间转录组数据集进行整合。
  • 步骤 5. 目前,webSCST 已收录四种常用的积分方法(AddModuleScore、MIA、ssGSEA 和 RCTD)。用户可以交互式地选择任意方法并下载所需的积分结果。未来,我们将添加更多新开发的积分工具,以确保 webSCST 始终保持最新状态。

  • 引用 webSCST


    Zilong Zhang, Feifei Cui, Wei Su, Chen Cao, Quan Zou*. webSCST: an interactive web application for single-cell RNA-seq data and spatial transcriptome data integration.

    联系方式


    如有任何疑问或建议,请联系:
    崔菲菲 (feifeicui@hainanu.edu.cn) 或 张子龙 (zilongzhang@hainanu.edu.cn)

    单细胞测序数据上传

    不知道如何开始?您可以先加载我们的演示版体验一下。



    数据预览

    1. 小提琴图和特征散点图

    步骤 1

     
    Loading...
     
    Loading...

    2. 归一化和缩放

    步骤2

    导出数据

    步骤4
    不知道如何开始?您可以先加载我们的演示版体验一下。
    此处的演示是在以下情况下获得的: 质量控制 在前面的步骤中使用原始数据集 文件上传 标签页。


    此处提供的演示数据是匹配的空间数据示例。


    您可以选择物种和器官,自动匹配您自己的空间数据,或者手动选择您喜欢的任何重复样本。 在我们数据库 .

    数据库

    Loading...

    关于

    webSCST 中使用的整合方法

    添加模块分数: AddModuleScore 是 R 包 {Seurat} 中的一个函数,它是一种基于评分的方法。由于 AddModuleScore 函数旨在找到每个簇的平均表达水平,因此它已被广泛用于寻找单细胞簇和空间转录组簇之间相似的基因表达模式。

    引用: Stuart T, Butler A, Hoffman P, Hafemeister C, Papalexi E, Mauck WM, 3rd, Hao Y, Stoeckius M, Smibert P, Satija R: Comprehensive Integration of Single-Cell Data. Cell 2019, 177(7):1888-1902.e1821.

    MIA: MIA是一种映射整合方法,全称为“多模态交集分析”。MIA首先在单细胞数据中识别细胞类型特异性基因,在空间数据中识别区域特异性基因,然后通过超几何分布对这两种类型的基因进行整合。

    引用: Moncada R, Barkley D, Wagner F, Chiodin M, Devlin JC, Baron M, Hajdu CH, Simeone DM, Yanai I: Integrating microarray-based spatial transcriptomics and single-cell RNA-seq reveals tissue architecture in pancreatic ductal adenocarcinomas. Nature biotechnology 2020, 38(3):333-342.

    ssGSEA: ssGSEA 是 R 包 {GSVA} 中的一个函数,它是 GSEA(基因集富集分析)的扩展。ssGSEA 利用每种细胞类型的标记基因(从单细胞数据中获得),可以根据空间基因表达模式对空间位置进行评分。

    引用: Hänzelmann S, Castelo R, Guinney J: GSVA: gene set variation analysis for microarray and RNA-seq data. BMC bioinformatics 2013, 14:7.

    RCTD: RCTD 是一种基于统计模型的反卷积积分方法。它利用泊松分布对每个像素的基因进行建模,并尝试获得每种细胞类型中每个基因的平均表达量。此外,RCTD 还引入了一个随机平台参数,使其在跨平台空间数据分解方面更具鲁棒性。

    引用: Cable DM, Murray E, Zou LS, Goeva A, Macosko EZ, Chen F, Irizarry RA: Robust decomposition of cell type mixtures in spatial transcriptomics. Nature biotechnology 2021.