scientific-spatial-multiomics

name	scientific-spatial-multiomics
description	空間マルチオミクス統合スキル。MERFISH/Visium 等の空間 トランスクリプトームと空間プロテオミクスのマルチモーダル 統合・空間共検出解析・セル近傍グラフ構築パイプライン。
tu_tools	[{"key":"cellxgene","name":"CellxGene","description":"空間マルチオミクスデータ検索"}]

Scientific Spatial Multi-omics

MERFISH・Visium・CODEX 等の空間マルチオミクスデータを統合し、 マルチモーダルアライメント・空間共検出解析・近傍グラフベースの 空間コミュニティ検出パイプラインを提供する。

When to Use

• 空間トランスクリプトームと空間プロテオミクスを統合するとき
• MERFISH + CODEX 等マルチモーダル空間データをアライメントするとき
• 空間的に共局在する分子シグネチャを同定するとき
• セル近傍グラフからニッチ/コミュニティを抽出するとき
• 空間マルチオミクスの前処理パイプラインを構築するとき

---

Quick Start

1. 空間マルチモーダルデータ読み込み

import numpy as np
import pandas as pd
from scipy.spatial import cKDTree


def load_spatial_modality(coord_file, expr_file,
                            modality_name="RNA"):
    """
    空間モダリティデータ読み込み。

    Parameters:
        coord_file: str — 座標 CSV (cell_id, x, y)
        expr_file: str — 発現/タンパク質 CSV
            (cell_id, features...)
        modality_name: str — モダリティ名
    """
    coords = pd.read_csv(coord_file, index_col="cell_id")
    expr = pd.read_csv(expr_file, index_col="cell_id")

    common = coords.index.intersection(expr.index)
    coords = coords.loc[common]
    expr = expr.loc[common]

    print(f"Spatial {modality_name}: "
          f"{len(common)} cells, "
          f"{expr.shape[1]} features")
    return coords, expr


def spatial_alignment(coords_a, coords_b,
                        max_distance=50.0):
    """
    空間座標アライメント (最近傍マッチング)。

    Parameters:
        coords_a: DataFrame — モダリティ A 座標 (x, y)
        coords_b: DataFrame — モダリティ B 座標 (x, y)
        max_distance: float — 最大マッチング距離 (μm)
    """
    tree_b = cKDTree(coords_b[["x", "y"]].values)
    dists, idxs = tree_b.query(
        coords_a[["x", "y"]].values, k=1)

    mask = dists < max_distance
    matched_a = coords_a.index[mask]
    matched_b = coords_b.index[idxs[mask]]

    alignment = pd.DataFrame({
        "cell_a": matched_a,
        "cell_b": matched_b,
        "distance": dists[mask],
    })

    print(f"Alignment: {len(alignment)} matched pairs "
          f"(max_dist={max_distance}μm)")
    return alignment

2. 空間共検出解析

def spatial_codetection(expr_a, expr_b, alignment,
                          method="pearson", top_n=50):
    """
    空間共検出相関解析。

    Parameters:
        expr_a: DataFrame — モダリティ A 発現行列
        expr_b: DataFrame — モダリティ B 発現行列
        alignment: DataFrame — アライメント結果
        method: str — 相関メソッド
            (pearson / spearman)
        top_n: int — 上位ペア数
    """
    from itertools import product
    from scipy import stats

    a_matched = expr_a.loc[alignment["cell_a"]]
    b_matched = expr_b.loc[alignment["cell_b"]]
    a_matched.index = range(len(a_matched))
    b_matched.index = range(len(b_matched))

    results = []
    for fa, fb in product(a_matched.columns[:100],
                           b_matched.columns[:100]):
        va = a_matched[fa].values
        vb = b_matched[fb].values
        mask = np.isfinite(va) & np.isfinite(vb)
        if mask.sum() < 30:
            continue

        if method == "spearman":
            r, p = stats.spearmanr(va[mask], vb[mask])
        else:
            r, p = stats.pearsonr(va[mask], vb[mask])

        results.append({
            "feature_a": fa,
            "feature_b": fb,
            "correlation": r,
            "p_value": p,
        })

    df = pd.DataFrame(results)
    df.sort_values("correlation", ascending=False,
                   key=abs, inplace=True)
    top = df.head(top_n)

    print(f"Codetection:  pairs, "
          )
     top

3. セル近傍グラフ・コミュニティ検出

def cell_neighborhood_graph(coords, k_neighbors=15):
    """
    セル近傍グラフ構築。

    Parameters:
        coords: DataFrame — 座標 (x, y)
        k_neighbors: int — k 近傍数
    """
    tree = cKDTree(coords[["x", "y"]].values)
    dists, idxs = tree.query(
        coords[["x", "y"]].values,
        k=k_neighbors + 1)

    edges = []
    for i in range(len(coords)):
        for j_idx in range(1, k_neighbors + 1):
            j = idxs[i, j_idx]
            edges.append({
                "source": coords.index[i],
                "target": coords.index[j],
                "distance": dists[i, j_idx],
            })

    edge_df = pd.DataFrame(edges)
    print(f"Neighborhood graph: "
          f"{len(coords)} nodes, "
          f"{len(edge_df)} edges (k={k_neighbors})")
    return edge_df


def spatial_community_detection(edge_df, coords,
                                  resolution=1.0):
    """
    空間コミュニティ検出 (Leiden)。

    Parameters:
        edge_df: DataFrame — エッジリスト
        coords: DataFrame — 座標
        resolution: float — Leiden 解像度
    """
    try:
        import igraph as ig
        import leidenalg
    except ImportError:
        print()
         pd.DataFrame()

    nodes = (coords.index)
    node_map = {n: i  i, n  (nodes)}

    g = ig.Graph(directed=)
    g.add_vertices((nodes))
    edges = [
        (node_map[r[]], node_map[r[]])
         _, r  edge_df.iterrows()
         r[]  node_map
         r[]  node_map
    ]
    g.add_edges(edges)

    part = leidenalg.find_partition(
        g, leidenalg.RBConfigurationVertexPartition,
        resolution_parameter=resolution)

    result = pd.DataFrame({
        : nodes,
        : part.membership,
        : coords[].values,
        : coords[].values,
    })

    n_comm = result[].nunique()
    (
          )
     result

4. 空間マルチオミクス統合パイプライン

def spatial_multiomics_pipeline(
    rna_coords, rna_expr,
    protein_coords, protein_expr,
    output_dir="results",
):
    """
    空間マルチオミクス統合パイプライン。

    Parameters:
        rna_coords: str — RNA 座標ファイル
        rna_expr: str — RNA 発現ファイル
        protein_coords: str — プロテオミクス座標ファイル
        protein_expr: str — プロテオミクス発現ファイル
        output_dir: str — 出力ディレクトリ
    """
    from pathlib import Path
    output_dir = Path(output_dir)
    output_dir.mkdir(parents=True, exist_ok=True)

    # 1) データ読み込み
    rc, re = load_spatial_modality(
        rna_coords, rna_expr, "RNA")
    pc, pe = load_spatial_modality(
        protein_coords, protein_expr, "Protein")

    # 2) 空間アライメント
    alignment = spatial_alignment(rc, pc)
    alignment.to_csv(output_dir / "alignment.csv",
                     index=False)

    # 3) 共検出解析
    codet = spatial_codetection(re, pe, alignment)
    codet.to_csv(output_dir / "codetection.csv",
                 index=False)

    # 4) 近傍グラフ + コミュニティ
    edges = cell_neighborhood_graph(rc)
    comms = spatial_community_detection(edges, rc)
    comms.to_csv(output_dir / "communities.csv",
                 index=False)

    print(f"Spatial multiomics pipeline → {output_dir}")
    return {
        "alignment": alignment,
        "codetection": codet,
        "communities": comms,
    }

---

パイプライン統合

spatial-transcriptomics → spatial-multiomics → multi-omics
  (Visium/MERFISH)        (マルチモーダル統合)  (統合オミクス)
         │                       │                 ↓
  human-cell-atlas ─────────────┘    single-cell-rnaseq
    (HCA atlas)                      (scRNA-seq 参照)

パイプライン出力

ファイル	説明	次スキル
results/alignment.csv	モダリティ間アライメント	→ multi-omics
results/codetection.csv	共検出ペア	→ pathway-analysis
results/communities.csv	空間コミュニティ	→ spatial-transcriptomics

ToolUniverse 連携

TU Key	ツール名	連携内容
cellxgene	CellxGene	空間マルチオミクスデータ検索