「写在前面」

学习一个软件最好的方法就是啃它的官方文档。本着自己学习、分享他人的态度，分享官方文档的中文教程。软件可能随时更新，建议配合官方文档一起阅读。推荐先按顺序阅读往期内容：
文献篇：
1.文献阅读：Squidpy: 一个可扩展的空间组学分析框架
教程篇：
1.squidpy 教程 1：在 AnnData 和 Squidpy 中导入空间数据
2.squidpy 教程 2：ImageContainer 对象

官网教程：https://squidpy.readthedocs.io/en/stable/notebooks/tutorials/tutorial_napari.html

本教程展示如何在 Napari 中可视化 squidpy.im.ImageContainer 和 AnnData。

以交互方式探索 Scanpy/Squidpy 分析结果非常有用。Napari 是 Python 的多维图像查看器，这使得它非常方便地实现此目的。在本教程中，我们将展示 Squidpy 如何实现 Napari 与 AnnData 对象的无缝集成，从而非常轻松地交互式探索分析结果并在 ImageContainer 中包含的高分辨率组织图像上将其可视化。

对于本教程，您可能需要安装其他库，请确保使用 pip install 'squidpy[interactive]' 安装了 Squidpy。

像往常一样，让我们导入相关库并加载数据。

import squidpy as sq

print(f"squidpy=={sq.__version__}")## squidpy==1.2.2

adata = sq.datasets.visium_hne_adata()img = sq.datasets.visium_hne_image()

该步骤可能因为网络问题无法自动下载数据，需要自己手动下载数据： https://ndownloader.figshare.com/files/26098397 https://ndownloader.figshare.com/files/26098124

在下面的行中，我们实际上启动了 Napari。您会注意到，将弹出一个带有 Napari viewer 的附加窗口。我们将 Napari viewer 分配给一个新变量，viewer，以便执行一些有用的操作，例如屏幕截图。对于熟悉 napari 的用户来说，viewer 是 napari.Viewer 的包装器，而不是同一个对象。

viewer = img.interactive(adata)

通过方便地捕获当前图像的屏幕截图，我们始终可以在此笔记本中可视化 Napari 会话。这可以通过 viewer.screenshot() 来完成。所有描述的功能均基于 Napari layers 和 widget。您可能想熟悉一些 Napari tutorials。

在这里，我们截取画布以及带有所有可用小部件的 GUI 的屏幕截图。

viewer.screenshot(canvas_only=False)

1 可视化 AnnData 的观测和特征

在 Napari GUI 的右侧，您可以选择并可视化 AnnData 对象中的不同插槽，例如：

• 来自默认 layer adata.X 或其他 layers 例如 adata.raw 的 Genes。
  
• Observations 保存在 adata.obs 中（例如聚类结果、QC 指标、其他类型的 observation-level 注释）。
  
• 来自 adata.obsm 的特征（例如，PCA 结果、计算图像特征和其他 observation-level 表示）。
  

这些 widgets 是可搜索的，这意味着您可以输入首字母缩写,例如您最喜欢的基因,菜单将自动滚动到该位置。为了将感兴趣的特征可视化为附加 layer，您可以按 Enter 键或双击它。

例如，让我们可视化 Olig1 的表达水平……

viewer.screenshot(canvas_only=False)

如果您希望仅可视化画布，则默认情况下 canvas_only = True。这是放大的可视化：

viewer.screenshot()

如前所述，我们可以可视化保存在 adata.obs['cluster'] 下的聚类注释。请注意，通过选择并单击注释，将在 Napari 中创建一个新图层，位于前一个图层的顶部（请参见 Napari GUI 的左侧）。您可以通过简单地关闭图层（单击“眼睛”图标）或修改不透明度（左上角）来修改图层的可视化。

viewer.screenshot(canvas_only=False)

adata.obsm 中的插槽也可以搜索并且可以可视化。例如，Squidpy 将图像特征提取步骤的结果存储在 adata.obsm 中。出于本教程的目的，让我们可视化第三主成分（选择 X_pca，然后在右下菜单中搜索它）。

viewer.screenshot(canvas_only=False)

您只需单击 GUI 中左侧的 “bin” 即可删除所有图层。

viewer.screenshot(canvas_only=False)

2 使用形状层注释组织区域

Napari 不仅可以用作交互式图像查看器，还可以用于手动注释组织中感兴趣的区域。为此，您需要选择 Napari 中的 Shapes layer（左侧的小部件，形状像梯形的图标），然后选择 add polygons 图标并在感兴趣的区域中绘制多边形。您可以查看 Napari shapes layer tutorial 以获取更多说明。

在这里，我们将裁剪 2 个感兴趣的区域（分配给相同的 Shapes 图层）。

viewer.screenshot(canvas_only=False)

现在，在组织上绘制多边形可能很有趣，但不一定有用。如果我们能够将组织区域注释的信息转移到我们的观察结果中（存储在 adata.obs 中），那将会非常有用。幸运的是，使用我们的包装器很简单：只需键入 SHIFT+E，注释就会“转换”为 adata.obs 中的布尔向量。如果该 spot 被多边形“包含”，则它将被注释为 True，否则为 False。

viewer.screenshot(canvas_only=False)

当键入 SHIFT+E 时，注释将保存在 adata.obs 下，并且可以方便地进行可视化。

这种交互式注释在癌症病理学背景下特别有用，病理学家经常根据形态信息对组织进行注释，并且分析人员可能希望在下游分析中将此注释与其他类型的特征（离散或连续）相关联。

最后，回想一下，Napari 查看器上出现（并且可以可视化）的所有内容都存储在 AnnData 对象中。因此，我们可以随时使用 Squidpy 访问它并可视化它。

sq.pl.spatial_scatter(viewer.adata, color=["ROI_brain_shapes", "cluster"])

本教程到此结束，欢迎查看其他 Squidpy 教程以及 Napari resources。

viewer.close()

「结束」