scientific-spatial-transcriptomics

name	scientific-spatial-transcriptomics
description	空間トランスクリプトミクス解析スキル。10x Visium / MERFISH / Slide-seq データの 前処理・空間的遺伝子発現パターン検出（Moran's I / SpatialDE）・ 空間ドメイン同定（BayesSpace / STAGATE）・細胞-細胞近接解析・ Deconvolution（cell2location）パイプライン。Squidpy フレームワーク準拠。

Scientific Spatial Transcriptomics

空間トランスクリプトミクス技術（10x Visium, MERFISH, Slide-seq, STARmap 等）で 取得したデータの空間的遺伝子発現解析パイプラインを提供する。 空間統計・空間ドメイン検出・deconvolution・リガンド-レセプター空間共発現を扱う。

When to Use

• Visium / MERFISH 等の空間トランスクリプトミクスデータの解析が必要なとき
• 空間的に変動する遺伝子（SVG: Spatially Variable Genes）を同定するとき
• 組織内の空間ドメインを自動検出するとき
• スポットの細胞型 deconvolution を行うとき
• 空間的なリガンド-レセプター相互作用を評価するとき

---

Quick Start

1. 空間データ前処理

import scanpy as sc
import squidpy as sq
import numpy as np
import pandas as pd

def spatial_preprocessing(adata, min_counts=500, min_genes=200,
                           max_pct_mito=25, n_top_genes=3000):
    """
    空間トランスクリプトミクス前処理パイプライン。

    手順:
      1. QC メトリクス計算
      2. 低品質スポット/セルフィルタリング
      3. 正規化 + log1p
      4. HVG 選択
      5. 空間近傍グラフ構築
    """
    # ミトコンドリア遺伝子
    adata.var["mt"] = adata.var_names.str.startswith(("MT-", "mt-"))
    sc.pp.calculate_qc_metrics(adata, qc_vars=[], inplace=)

    n_before = adata.n_obs
    sc.pp.filter_cells(adata, min_counts=min_counts)
    sc.pp.filter_cells(adata, min_genes=min_genes)
    adata = adata[adata.obs[] <= max_pct_mito].copy()
    sc.pp.filter_genes(adata, min_cells=)
    ()

    
    adata.layers[] = adata.X.copy()
    sc.pp.normalize_total(adata, target_sum=)
    sc.pp.log1p(adata)
    sc.pp.highly_variable_genes(adata, n_top_genes=n_top_genes, flavor=,
                                 layer=)

    
    sq.gr.spatial_neighbors(adata, coord_type=, n_neighs=)
    ()

     adata