这篇文章用来记录我所有遇到的数据集它们是什么，从哪里来，什么结构，适用于哪些算法等等这些问题，具体的数据会保存在硬盘上。

以下 7 个是 SpaGCN 用到的数据，有的有图片有的没有。

# Human primary pancreatic cancer ST data (GSE111672)

下载地址

Species: Human

协议是：Spatial Transcriptomics

这里可以看到文件里面主要包含 tsv 文件、jpg 文件和 txt 文件

这个文件十分的复杂，记录一下怎么处理这上面的数据:

# 对于 tsv 文件：

这玩意是原始数据

列标题是基因名称，行标题是样本和点的标识符，数据值是表达水平

怎么读取：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

import pandas as pd

# 读取数据
data = pd.read_csv("data/GSM3036911.tsv", sep="\t")

# 重命名第一列为 'Barcode'
data = data.rename(columns={data.columns[0]: "Barcode"})

# 分解 Barcode 为 X 和 Y 坐标
data[["X", "Y"]] = data["Barcode"].str.split("x", expand=True)
data["X"] = pd.to_numeric(data["X"])
data["Y"] = pd.to_numeric(data["Y"])

# 检查数据
print(data.head())

# 保存坐标和基因表达数据
data[["Barcode", "X", "Y"]].to_csv("spatial_coordinates.csv", index=False)
data.to_csv("gene_expression.csv", index=False)

绘图：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

import matplotlib.pyplot as plt

spot_coordinates = pd.DataFrame({
    "spot": gene_expression.columns,
    "x":[int(spot.split("x")[0]) for spot in gene_expression.columns], 
    "y":[int(spot.split("x")[1]) for spot in gene_expression.columns],
})


plt.scatter(spot_coordinates["x"], spot_coordinates["y"], s=10, alpha=0.7)
plt.xlabel("X Coordinate")
plt.ylabel("Y Coordinate")
plt.title("Spatial Distribution of Spots")
plt.show()

# 对于 GSM3036911_PDAC-A-ST1-filtered.txt 文件

这玩意应该是提取好的数据

第一列是基因名称，标识每一行对应的基因，其余的列是采样点的表示如$10\times10$, 其余的和 tsv 文件类似。

完整的运行过程如下图所示：

这么一看这个数据集中的 spot 数是真的少啊

# LIBD human dorsolateral prefrontal cortex, dorsolateral prefrontal cortex 10x Visium data

下载地址

Species: Human

协议是：10X Visium

保存了 h5 文件，tif 文件，position 文件

对于 151673 数据： 3639 spots. 33538 genes.

# mouse posterior brain 10x Visium data

下载地址

Species: Mouse

协议是： 10X Visium

保存了 h5 文件，tif 文件，spatial 文件夹的数据

对于数据：3353 spots. 31053 genes

# mouse cortex SLIDE-seqV2 data

下载地址

Species： Mouse

协议是： SLIDE-seqV2

保存了 h5 文件，tif 文件，position 文件

对于数据： 2560 spots. 22683 genes

# Mouse visual cortex data

下载地址

这上面的数据更加直接，在 SpaGCN 给出的数据有点抽象了。

Species: Mouse

协议是： STARmap

仅保存了一份 csv 数据

对于数据: 1207 cells. 1020 genes

# Mouse Olfactory bulb

下载地址

Species: Mouse

协议是： Spatial Transcriptomics

保存的是 csv 文件和 jpg 文件，数据直接清晰

对于数据： 262 spots. 16218 genes

# Mouse Hypothalamus data

下载地址

Species: Mouse

协议是： MERFISH

保存了 csv 文件

对于数据： 5665 cells. 161 genes.

接下来是 STAGATE 的数据集，目测没有什么好下载的，对于它的 3D 数据可以记录一下。

# Adult Mouse Brain Section 1 (Coronal)

下载地址

协议： Visium Spatial protocols

保存了 h5 文件

对于数据：
Spots detected under tissue: 2,903

Median genes per spot: 4,635

Median UMI counts per spot: 12,911

# Slide-seqV2 mouse olfactory bulb

这个和之前那个是一样的，这里点明了用的是 Puck_200127_15 的数据

spots: 20139

# Stereo-seq mouse olfactory bulb

下载地址

spots: 19109

# seven hippocampus sections profiled by Slide-seq

处理后的数据
原始数据
Puck_180531_23: spots 18509

接下来是 MENDER 的数据，挺多且挺杂的

MENDER 的数据集感觉就是在推荐它的 pysodb 的库，不用记录数据来源了，可以直接调用的

接下来是 BayesSpace，