R tips：空间最近邻分析

主要观点总结

本文主要介绍了使用RANN::nn2进行最近邻分析的过程，包括数据预处理、计算最近邻细胞的索引和距离、数据清洗和绘图展示等步骤。文章还提供了密度图和堆叠密度图的绘制方法，以展示不同细胞类型的最近邻细胞的分布情况。

关键观点总结

关键观点1: 使用RANN::nn2进行最近邻分析

文章介绍了如何使用RANN::nn2函数进行最近邻分析，包括数据整合、计算最近邻细胞的索引和距离等步骤。

关键观点2: 数据清洗和绘图展示

文章详细说明了如何清洗数据，得到真正的最近邻细胞的类型、组别及距离，并提供了绘制密度图和堆叠密度图的方法，以展示不同细胞类型的最近邻细胞的分布情况。

关键观点3: 分析结果解读

通过分析结果，可以看到不同细胞类型之间的近距离关系，例如Cell_A最近的细胞主要是Cell_M、Cell_H、Cell_E，而Cell_E、Cell_F、Cell_G等细胞在GroupB组中距离Cell_A更近。

文章预览

Xenium或者VisiumHD等空间组学数据可以进行很多不同于单细胞的空间分析，比如本文提到的最近邻分析，它可以根据坐标判断一个细胞类型周围的最近邻细胞的分布趋势和在不同组别中的对比。 示例数据如下的meta_data所示，正式分析时需要先将数据整合成meta_data所示的格式。 library ( tidyverse ) library ( Seurat ) meta_data  %>%  head ( ) # cell_id   Group Slide_ID        X        Y CellType # 1 3_aaaacdgo-1 Group_A  Slide_1 2228.621 860.3357   Cell_I # 2 3_aaaanalm-1 Group_A  Slide_1 2248.922 850.1516   Cell_K # 3 3_aaaaonpl-1 Group_A  Slide_1 2270.447 856.8892   Cell_K # 4 3_aaabciio-1 Group_A  Slide_1 2279.562 838.6568   Cell_B # 5 3_aaabdkea-1 Group_A  Slide_1 2292.319 858.3909   Cell_I # 6 3_aaacdgip-1 Group_A  Slide_1 2288.924 868.3226   Cell_B cell_id是数据中的唯一细胞id，尽量保证唯一即可，在最近邻分析时不太重要。 Group是分析样本的组 ………………………………