斯坦福推出Biomni：通用AI生物医学研究助手 Biomni是斯坦福SNAP团队开发的AI科研助手，能像科学家一样执行跨领域生物医学研究任务。它由Biomni-E1（整合150+工具和59个数据库）和Biomni-A1（智能代理）组成，可自动完成从基因分析到实验设计的复杂工作流。在性能测试中，Biomni准确率接近专家水平，能处理多组学分析、CRISPR设计等任务，并输出可视化报告。目前项目处于

斯坦福推出Biomni：通用AI生物医学研究助手 Biomni是斯坦福SNAP团队开发的AI科研助手，能像科学家一样执行跨领域生物医学研究任务。它由Biomni-E1（整合150+工具和59个数据库）和Biomni-A1（智能代理）组成，可自动完成从基因分析到实验设计的复杂工作流。在性能测试中，Biomni准确率接近专家水平，能处理多组学分析、CRISPR设计等任务，并输出可视化报告。目前项目处于

我们使用bin_to_cell_method="weighted_by_area"进行分析，在P1_CRC样本识别到了大概30万个细胞，拿到adata后，我们首先过滤低质量细胞，然后进行降维聚类（如果bin-to-cell结果准确的话，降维聚类后的UMAP应该像单细胞测序结果一样），但是发现UMAP结果还是很混杂，并且比单纯细胞核分割结果还差，猜测可能我们用的这张片子细胞分割是不是用其他的bin_

空间组学技术（如 Xenium、Visium 等）正在彻底改变我们对生物组织的理解，为我们提供了基因表达和空间位置的双重信息。SpatialData 提供了一种统一的数据格式和 Python 库，支持数据加载、对齐、查询和跨模态分析，极大地简化了空间组学数据的处理流程。SpatialData 与 scverse 生态系统（如 Scanpy、Squidpy）无缝集成，支持单细胞和空间组学数据的联合分

空间转录组(Xenium, VisiumHD, Cosmx)数据分析中，我们在细胞类型注释完成后，接下来通常会再识别出不同的CN，每个CN中会包含特有的几种细胞类型，CN中的细胞类型由于其细胞类型组成的相似性，代表了共有的细胞结构，在空间转录组数据分析的过程中，比较不同条件下样本之间的空间结构，就会找到疾病所带来的组织结构变化，可以在更加全面的角度上认识疾病，并为治疗提供积极的意见。6. 各CN中

记录下最近阅读的一篇于2024年6月在Cell Reports Medicine上发表的文章"scRank infers drug-responsive cell types from untreated scRNA-seq data using a target-perturbed gene regulatory network"，记录下翻译过程，以备后期随时翻阅。引言细胞对药物的反应表现出巨大

上节我们下载10x官方数据后，使用spatialdata框架进行数据读取，这节我们拿到单细胞数据后，使用常规单细胞数据分析流程，进行数据质控、低质量细胞删除、降维聚类、筛选特征基因、参考文章细胞类型marker进行细胞类型定义。封装一个细胞类型占比绘图函数，可以绘制单样本或多样本分开的饼图、柱状图。数据处理大致过程如下。

10x Genomics推出的Xenium平台基于高通量的原位杂交技术，通过使用特异性探针捕获 RNA 分子，并在组织切片上直接检测信号，使得我们能够在单细胞分辨率的基础上，精确地检测和定位组织切片中的基因表达情况。最近有几位同学后台私信我，希望能完整介绍下Xenium数据分析全流程，以及空转数据能做的分析有哪些，我上网查了下，好像还真没有一个全面完整的教程，于是乎，我们使用10x官方公布的测试数

文件解压缩后，文件层级展示如下图，一般一个FOV对应的是一个样本，一个样本对应一个文件夹结果，一张芯片上最多可以选8个FOV，若果一张芯片上拼的样本数超过8个，就会有多个样本被并到一个FOV中，后续下机数据分析的时候想要拆分开的话，需要使用Xenium browser手动圈选，拿到个样本的barcodes，然后就可以拆分样本（一般TMA样本都需要手动圈选操作）。这里我们下载的数据就只有一个FOV，

然而，由于细胞状态受其周围细胞的影响，将转录组数据与细胞的空间信息结合起来进行聚类分析，将更有助于揭示细胞在组织中的分布和相互作用。相比于传统的单细胞聚类算法，BANKSY在细胞/Spots的表达矩阵的基础上，进一步联合了空间坐标信息，这种策略能够有效提高细胞/Spots分类的准确性和效率，进而揭示细胞间的相互作用和微环境影响。为了控制细胞自身和邻域特征对嵌入中细胞-细胞距离的相对贡献，BANKS