Résumé

Ce rapport présente une analyse complète de données de transcriptomique spatiale générées par la technologie Xenium In Situ (10x Genomics) sur un tissu de cancer du poumon humain (données publiques). Le pipeline comprend :

Contrôle qualité des données
Réduction de dimensionnalité et clustering
Annotation automatique des types cellulaires (SingleR)
Expression différentielle entre types cellulaires
Communication intercellulaire (CellChat)
Enrichissement de voies métaboliques (KEGG)

Note : Ce rapport suppose que les objets xenium.obj, AllMarkers.sketch, cellchat et ekegg sont déjà en mémoire dans la session R courante. Si ce n’est pas le cas, décommentez readRDS() ci-dessous.

1 Environnement et Packages

library(Seurat)
library(SeuratObject)
library(tidyverse)
library(ggplot2)
library(patchwork)
library(dplyr)
library(SingleR)
library(celldex)
library(EnhancedVolcano)
library(CellChat)
library(clusterProfiler)
library(org.Hs.eg.db)
library(enrichplot)

2 Chargement de l’Objet Seurat

3 Contrôle Qualité

Idents(xenium.obj) <- "SingleR_label"

VlnPlot(
  xenium.obj,
  features = c("nFeature_Xenium", "nCount_Xenium"),
  ncol     = 2,
  pt.size  = 0
) &
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 7),
    plot.title  = element_text(face = "bold", size = 11)
  )

Figure 1. Distribution du nombre de gènes détectés (nFeature) et de transcrits (nCount) par type cellulaire annoté. La majorité des cellules présentent entre 5 et 50 gènes, cohérent avec le panel Xenium (~313 gènes).

Interprétation : Les cellules DC et épithéliales présentent les comptages les plus élevés. Les populations immunitaires rares (Pro-Myelocyte, BM) montrent des comptages plus faibles, reflétant une complexité transcriptomique moindre dans ce panel ciblé.

4 UMAP — Jeu de Données Complet

4.1 Clusters projetés

DimPlot(
  xenium.obj,
  label      = TRUE,
  label.size = 3,
  reduction  = "full.umap",
  raster     = FALSE,
  group.by   = "cluster_full",
  alpha      = 0.1
) +
  NoLegend() +
  ggtitle("Clusters — Jeu de données complet") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))

Figure 2. UMAP du jeu complet (161 894 cellules) après projection depuis le sous-ensemble sketch. 21 clusters sont identifiés (0–20).

4.2 Expression d’AGER (Marqueur Pneumocyte Type I)

FeaturePlot(
  xenium.obj,
  features  = "AGER",
  label     = TRUE,
  raster    = FALSE,
  reduction = "full.umap"
) +
  ggtitle("Expression d'AGER — Pneumocyte Type I") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))

Figure 3. Expression du gène AGER sur le UMAP complet. L’expression est concentrée dans le cluster 4, correspondant aux pneumocytes de type I.

5 Carte Spatiale des Clusters

DefaultAssay(xenium.obj) <- "Xenium"

ImageDimPlot(
  xenium.obj,
  group.by        = "cluster_full",
  cols            = "polychrome",
  size            = 1.25,
  dark.background = TRUE
) +
  ggtitle("Distribution Spatiale des Clusters") +
  theme(
    plot.title      = element_text(face = "bold", hjust = 0.5, color = "white"),
    plot.background = element_rect(fill = "black", color = NA)
  )

Figure 4. Distribution spatiale des 21 clusters sur la coupe tissulaire Xenium. L’architecture pulmonaire avec la plèvre est visible en haut de la coupe.

6 Annotation des Types Cellulaires — SingleR

6.1 UMAP annoté (assay sketch)

DimPlot(
  xenium.obj,
  group.by   = "SingleR_label",
  label      = TRUE,
  repel      = TRUE,
  reduction  = "umap",
  label.size = 2.5,
  raster     = FALSE
) +
  NoLegend() +
  ggtitle("Annotation SingleR — Assay Sketch") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))

Figure 5. Annotation SingleR sur l’assay sketch. Les cellules épithéliales dominent le compartiment droit ; les populations immunitaires occupent le compartiment gauche.

6.2 UMAP annoté (jeu complet)

DimPlot(
  xenium.obj,
  group.by   = "SingleR_label",
  label      = TRUE,
  repel      = TRUE,
  reduction  = "full.umap",
  label.size = 2.5,
  raster     = FALSE
) +
  NoLegend() +
  ggtitle("Annotation SingleR — Jeu Complet") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))

Figure 6. Annotation SingleR sur le UMAP du jeu complet. Prédominance des cellules épithéliales (vert), cohérente avec le contexte de cancer pulmonaire.

6.3 Carte spatiale des types cellulaires

DefaultAssay(xenium.obj) <- "Xenium"

ImageDimPlot(
  xenium.obj,
  fov             = "fov",
  group.by        = "SingleR_label",
  cols            = "polychrome",
  size            = 0.9,
  dark.background = TRUE
) +
  ggtitle("Types Cellulaires — Distribution Spatiale") +
  theme(
    plot.title      = element_text(face = "bold", hjust = 0.5, color = "white"),
    plot.background = element_rect(fill = "black", color = NA),
    legend.text     = element_text(color = "white", size = 6),
    legend.title    = element_text(color = "white", size = 8, face = "bold")
  )

Figure 7. Distribution spatiale des types cellulaires annotés par SingleR sur la coupe Xenium.

6.4 Composition cellulaire — Diagramme en barres

# COMPOSITION CELLULAIRE - VERSION ROBUSTE
# ----------------------------------------

# Extraire les métadonnées
meta_df <- xenium.obj@meta.data %>%
  as.data.frame() %>%
  mutate(SingleR_label = as.character(SingleR_label))

# Compter avec base R 
cell_table <- table(meta_df$SingleR_label)

# Créer le dataframe
cell_counts <- data.frame(
  SingleR_label = names(cell_table),
  n_cells = as.numeric(cell_table)
) %>%
  arrange(desc(n_cells)) %>%
  mutate(
    pct = n_cells / sum(n_cells) * 100,
    SingleR_label = forcats::fct_reorder(SingleR_label, n_cells)
  )

# Graphique
ggplot(cell_counts, aes(x = SingleR_label, y = pct, fill = SingleR_label)) +
  geom_col(show.legend = FALSE, width = 0.75) +
  geom_text(aes(label = sprintf("%.1f%%", pct)),
            hjust = -0.1, size = 2.8, color = "#2c2c2c") +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.12))) +
  scale_fill_viridis_d(option = "turbo") +
  labs(
    title = "Composition en Types Cellulaires",
    subtitle = sprintf("Total : %s cellules", format(sum(cell_counts$n_cells), big.mark = " ")),
    x = NULL,
    y = "Proportion (%)"
  ) +
  theme_minimal(base_size = 11) +
  theme(
    plot.title = element_text(face = "bold", size = 13),
    plot.subtitle = element_text(color = "grey50"),
    panel.grid.major.y = element_blank()
  )

Figure 8. Proportion de chaque type cellulaire dans le tissu analysé.

7 Expression Génique Différentielle

7.1 Top marqueurs par cluster — Dot plot

DefaultAssay(xenium.obj) <- "sketch"

AllMarkers.sketch <- FindAllMarkers(
  xenium.obj,
  only.pos = TRUE,           # seulement les gènes sur-exprimés
  min.pct = 0.25,            # exprimé dans au moins 25% des cellules du cluster
  logfc.threshold = 0.25     # au moins 25% de changement d'expression
)

# Vérifier
head(AllMarkers.sketch)

DefaultAssay(xenium.obj) <- "sketch"

top5 <- AllMarkers.sketch %>%
  group_by(cluster) %>%
  slice_max(order_by = avg_log2FC, n = 5)

DotPlot(
  xenium.obj,
  features = unique(top5$gene),
  group.by = "seurat_clusters"
) +
  coord_flip() +
  scale_color_distiller(palette = "RdBu", direction = -1) +
  labs(
    title = "Top 5 Marqueurs par Cluster",
    x     = "Gène",
    y     = "Cluster"
  ) +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 8),
    axis.text.y = element_text(size = 7),
    plot.title  = element_text(face = "bold", hjust = 0.5)
  )

Figure 9. Dot plot des top 5 marqueurs par cluster. La taille des points représente le pourcentage d’expression ; la couleur indique le niveau d’expression moyen.

7.2 Volcano plot — Macrophages vs Lymphocytes T

Idents(xenium.obj) <- "SingleR_label"

deg <- FindMarkers(
  xenium.obj,
  ident.1         = "Macrophage",
  ident.2         = "T_cells",
  only.pos        = FALSE,
  min.pct         = 0.25,
  logfc.threshold = 0.25
)

EnhancedVolcano(
  deg,
  lab             = rownames(deg),
  x               = "avg_log2FC",
  y               = "p_val_adj",
  title           = "Macrophages vs Lymphocytes T",
  subtitle        = "EnhancedVolcano",
  pCutoff         = 0.05,
  FCcutoff        = 1.0,
  pointSize       = 2.5,
  labSize         = 3,
  colAlpha        = 0.7,
  drawConnectors  = FALSE,
  raster          = TRUE       
)

Figure 10. Volcano plot comparant macrophages et lymphocytes T. Les gènes macrophagiques (Log2FC > 0) incluent MRC1, CD163, VSIG4 et MS4A4A. CD3E et TRAC sont les marqueurs T caractéristiques.

Gènes différentiellement exprimés notables :

Gène	Direction	Fonction biologique
MRC1	Macro ↑	Récepteur mannose — macrophage résidentiel
CD163	Macro ↑	Récepteur scavenger — phénotype M2
VSIG4	Macro ↑	Inhibiteur du complément
MS4A4A	Macro ↑	Marqueur de différenciation macrophagique
TCIM	Macro ↑	Régulateur transcriptionnel
CD3E	T cells ↑	Chaîne ε du complexe TCR
TRAC	T cells ↑	Chaîne constante α du récepteur T

8 Communication Intercellulaire — CellChat

8.1 Réseau — Nombre d’interactions

cellchat <- readRDS("../cellchat_obj.rds")


groupSize <- as.numeric(table(cellchat@idents))

par(mar = c(0, 0, 2, 0))
netVisual_circle(
  cellchat@net$count,
  vertex.weight    = groupSize,
  weight.scale     = TRUE,
  label.edge       = FALSE,
  vertex.label.cex = 0.6,
  title.name       = "Nombre d'interactions"
)

Figure 11. Réseau d’interactions intercellulaires (nombre d’interactions). La taille des nœuds est proportionnelle à l’abondance cellulaire.

8.2 Réseau — Force des interactions

# Vérification des objets existants
if (!exists("cellchat")) {
  stop("L'objet 'cellchat' n'est pas trouvé. Veuillez exécuter l'analyse CellChat d'abord.")
}

# Tailles des groupes pour toutes les cellules
groupSize_all <- as.numeric(table(cellchat@idents))

# Identification des types majeurs et mineurs
cell_counts <- table(cellchat@idents)
major_cells <- names(sort(cell_counts, decreasing = TRUE)[1:8])
minor_cells <- names(which(cell_counts < 500))

cat("Types cellulaires majeurs (Top 8) :", paste(major_cells, collapse = ", "), "\n")
cat("Types cellulaires mineurs (<500 cellules) :", paste(minor_cells, collapse = ", "), "\n")

8.2.1 Figure 1 : Réseau d’interactions complet

par(mar = c(0, 0, 2, 0))
netVisual_circle(
  cellchat@net$count,
  vertex.weight = groupSize_all,
  vertex.label.cex = 0.6,
  title.name = "Nombre d'interactions - Toutes les cellules"
)

Figure 12A. Nombre d’interactions ligand-récepteur entre tous les types cellulaires.

8.2.2 Figure 2 : Interactions pondérées (types majeurs)

# Garder les types les plus abondants automatiquement
cell_counts <- table(cellchat@idents)
major_cells <- names(sort(cell_counts, decreasing = TRUE)[1:8])


par(mar = c(0, 0, 2, 0))
netVisual_circle(
  cellchat@net$weight,
  vertex.weight = groupSize_all,
  vertex.label.cex = 0.6,
  weight.scale = TRUE,
  title.name = "Force des interactions - Toutes les cellules"
)

Figure 12B. Force des interactions entre les 8 types cellulaires les plus abondants.

8.2.3 Figure 3 : Interactions entre types mineurs et majeurs

# Vérifier qu'il y a des types mineurs
print(major_cells)

## [1] "Epithelial_cells"  "Macrophage"        "T_cells"          
## [4] "Fibroblasts"       "Endothelial_cells" "DC"               
## [7] "Osteoblasts"       "HSC_-G-CSF"

minor_cells <- names(which(table(cellchat@idents) < 500))

par(mar = c(0, 0, 2, 0))
netVisual_circle(
  cellchat@net$count,
  vertex.weight = groupSize_all,
  vertex.label.cex = 0.6,
  sources.use = setdiff(unique(cellchat@idents), minor_cells),
  targets.use = setdiff(unique(cellchat@idents), minor_cells),
  title.name = "Interactions - Types majeurs uniquement"
)

Figure 12C. Interactions impliquant les types cellulaires rares.

8.3 Heatmap des voies de signalisation

# Calculer les scores de centralité (indispensable avant la heatmap)
cellchat <- netAnalysis_computeCentrality(cellchat, slot.name = "netP")

netAnalysis_signalingRole_heatmap(
  cellchat,
  pattern       = "outgoing",
  title         = "Rôles de signalisation sortante",
  color.heatmap = "OrRd"
)

Figure 13. Rôles de signalisation sortante par type cellulaire. Les lignes représentent les voies de signalisation actives.

9 Enrichissement de Voies Métaboliques — KEGG

9.1 Dot plot KEGG

library(clusterProfiler)
library(org.Hs.eg.db)
#DefaultAssay(xenium.obj) <- "sketch"

#AllMarkers <- FindAllMarkers(xenium.obj,
                       #      only.pos = TRUE,        # only positive markers
                         #    min.pct = 0.25,         # gene expressed in 25% of cells
                           #  logfc.threshold = 0.25) # minimum fold change

#entrez_ids <- bitr(genes_cluster0, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db)

#genes_cluster0 <- AllMarkers %>%
#  filter(cluster == 0, p_val_adj < 0.05, avg_log2FC > 0.5) %>%
#  pull(gene)
#entrez_ids <- bitr(genes_cluster0, fromType = "SYMBOL",
     #              toType = "ENTREZID", OrgDb = org.Hs.eg.db)

#ekegg <- enrichKEGG(gene = entrez_ids$ENTREZID, organism = "hsa", pvalueCutoff = 0.05)
#dotplot(ekegg, showCategory = 20) + ggtitle("KEGG Pathways")



fichier <- list.files(pattern = "Rplot12", full.names = TRUE)[1]

# Afficher
knitr::include_graphics(fichier)

Figure 14. Enrichissement KEGG des marqueurs du cluster 0 (cellules épithéliales). La voie PI3K-Akt présente le GeneRatio le plus élevé (~0.32), suivie des voies MAPK et Cadherin signaling.

9.2 Réseau gène-concept (cnetplot)

#ekegg <- readRDS("ekegg.rds")

#cnetplot(
#  ekegg,
 #showCategory = 8
#)
#ggtitle("Réseau Gène-Concept — KEGG") +
#theme(plot.title = element_text(face = "bold", hjust = 0.5))

#ggsave("Rplot19.png", last_plot(), width = 8, height = 6)


fichier2 <- list.files(pattern = "Rplot19", full.names = TRUE)[1]

# Afficher
knitr::include_graphics(fichier2)

Figure 15. Réseau gène-concept montrant les relations entre voies KEGG enrichies et gènes impliqués. Les nœuds colorés représentent les voies ; les nœuds gris représentent les gènes.

Voies KEGG significativement enrichies :

Voie KEGG	GeneRatio	p.adjust
PI3K-Akt signaling pathway	0.32	0.002
MAPK signaling pathway	0.27	0.008
MicroRNAs in cancer	0.27	0.009
Cadherin signaling	0.27	0.010
Central carbon metabolism in cancer	0.21	0.004
EGFR tyrosine kinase inhibitor resistance	0.21	0.005

Interprétation biologique : L’enrichissement PI3K-Akt et des voies de résistance aux inhibiteurs EGFR est caractéristique du cancer pulmonaire non à petites cellules (NSCLC). Ces résultats suggèrent des mécanismes d’oncogenèse et de chimiorésistance actifs dans les cellules épithéliales tumorales du cluster 0.

10 Synthèse et Conclusions

1. Architecture cellulaire complexe — 21 clusters distincts reflétant la diversité du microenvironnement tumoral.

2. Dominance épithéliale (~40% des cellules), avec une distribution spatiale cohérente avec l’architecture alvéolaire pulmonaire.

3. Microenvironnement immunitaire actif — macrophages M2 (CD163/MRC1), lymphocytes T, NK et DC, caractéristiques d’un microenvironnement immunosuppresseur.

4. Voies oncogéniques actives — PI3K-Akt/MAPK dans les cellules épithéliales tumorales, avec des mécanismes de résistance thérapeutique.

5. Communications intercellulaires complexes — réseau CellChat dense entre cellules épithéliales, DC et populations myéloïdes.

10.1 Limitations

Panel Xenium limité (~313 gènes) : annotation fine de certains sous-types difficile
Référence SingleR (Human Primary Cell Atlas) peut surestimer certaines populations
Validation expérimentale des interactions CellChat nécessaire

10.2 Perspectives

Intégration avec RNA-seq en vrac (bulk) pour validation
Analyse de trajectoire (pseudotime) pour la différenciation cellulaire
Comparaison tumeur vs tissu adjacent sain

11 Informations de Session

sessionInfo()

## R version 4.6.0 (2026-04-24 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 10 x64 (build 19045)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=French_France.utf8  LC_CTYPE=French_France.utf8   
## [3] LC_MONETARY=French_France.utf8 LC_NUMERIC=C                  
## [5] LC_TIME=French_France.utf8    
## 
## time zone: Europe/Paris
## tzcode source: internal
## 
## attached base packages:
## [1] stats4    stats     graphics  grDevices utils     datasets  methods  
## [8] base     
## 
## other attached packages:
##  [1] enrichplot_1.32.0           org.Hs.eg.db_3.23.1        
##  [3] AnnotationDbi_1.74.0        clusterProfiler_4.20.0     
##  [5] CellChat_2.2.0.9001         igraph_2.3.1               
##  [7] EnhancedVolcano_1.30.0      ggrepel_0.9.8              
##  [9] celldex_1.22.0              SingleR_2.14.0             
## [11] SummarizedExperiment_1.42.0 Biobase_2.72.0             
## [13] GenomicRanges_1.64.0        Seqinfo_1.2.0              
## [15] IRanges_2.46.0              S4Vectors_0.50.0           
## [17] BiocGenerics_0.58.0         generics_0.1.4             
## [19] MatrixGenerics_1.24.0       matrixStats_1.5.0          
## [21] patchwork_1.3.2             lubridate_1.9.5            
## [23] forcats_1.0.1               stringr_1.6.0              
## [25] dplyr_1.2.1                 purrr_1.2.2                
## [27] readr_2.2.0                 tidyr_1.3.2                
## [29] tibble_3.3.1                ggplot2_4.0.3              
## [31] tidyverse_2.0.0             Seurat_5.5.0               
## [33] SeuratObject_5.4.0          sp_2.2-1                   
## 
## loaded via a namespace (and not attached):
##   [1] goftest_1.2-3             Biostrings_2.80.0        
##   [3] HDF5Array_1.40.0          vctrs_0.7.3              
##   [5] ggtangle_0.1.2            spatstat.random_3.4-5    
##   [7] digest_0.6.39             png_0.1-9                
##   [9] shape_1.4.6.1             registry_0.5-1           
##  [11] gypsum_1.8.0              deldir_2.0-4             
##  [13] parallelly_1.47.0         MASS_7.3-65              
##  [15] fontLiberation_0.1.0      reshape2_1.4.5           
##  [17] qvalue_2.44.0             httpuv_1.6.17            
##  [19] foreach_1.5.2             withr_3.0.2              
##  [21] xfun_0.57                 ggfun_0.2.0              
##  [23] ggpubr_0.6.3              survival_3.8-6           
##  [25] memoise_2.0.1             gson_0.1.0               
##  [27] systemfonts_1.3.2         ragg_1.5.2               
##  [29] tidytree_0.4.7            zoo_1.8-15               
##  [31] GlobalOptions_0.1.4       pbapply_1.7-4            
##  [33] Formula_1.2-5             KEGGREST_1.52.0          
##  [35] promises_1.5.0            otel_0.2.0               
##  [37] httr_1.4.8                rstatix_0.7.3            
##  [39] globals_0.19.1            fitdistrplus_1.2-6       
##  [41] rhdf5filters_1.24.0       rhdf5_2.56.0             
##  [43] rstudioapi_0.18.0         miniUI_0.1.2             
##  [45] DOSE_4.6.0                ggalluvial_0.12.6        
##  [47] processx_3.9.0            curl_7.1.0               
##  [49] h5mread_1.4.0             polyclip_1.10-7          
##  [51] ExperimentHub_3.2.0       SparseArray_1.12.2       
##  [53] xtable_1.8-8              doParallel_1.0.17        
##  [55] evaluate_1.0.5            S4Arrays_1.12.0          
##  [57] BiocFileCache_3.2.0       hms_1.1.4                
##  [59] irlba_2.3.7               colorspace_2.1-2         
##  [61] filelock_1.0.3            ggnetwork_0.5.14         
##  [63] ROCR_1.0-12               reticulate_1.46.0        
##  [65] spatstat.data_3.1-9       magrittr_2.0.5           
##  [67] lmtest_0.9-40             later_1.4.8              
##  [69] ggtree_4.2.0              lattice_0.22-9           
##  [71] spatstat.geom_3.7-3       NMF_0.28                 
##  [73] future.apply_1.20.2       scattermore_1.2          
##  [75] cowplot_1.2.0             RcppAnnoy_0.0.23         
##  [77] pillar_1.11.1             nlme_3.1-169             
##  [79] iterators_1.0.14          sna_2.8                  
##  [81] gridBase_0.4-7            compiler_4.6.0           
##  [83] beachmat_2.28.0           RSpectra_0.16-2          
##  [85] stringi_1.8.7             tensor_1.5.1             
##  [87] plyr_1.8.9                crayon_1.5.3             
##  [89] abind_1.4-8               gridGraphics_0.5-1       
##  [91] bit_4.6.0                 codetools_0.2-20         
##  [93] textshaping_1.0.5         bslib_0.10.0             
##  [95] alabaster.ranges_1.12.0   GetoptLong_1.1.1         
##  [97] plotly_4.12.0             mime_0.13                
##  [99] splines_4.6.0             circlize_0.4.18          
## [101] Rcpp_1.1.1-1.1            fastDummies_1.7.6        
## [103] tidydr_0.0.6              dbplyr_2.5.2             
## [105] sparseMatrixStats_1.24.0  knitr_1.51               
## [107] blob_1.3.0                clue_0.3-68              
## [109] BiocVersion_3.23.1        fs_2.1.0                 
## [111] listenv_0.10.1            DelayedMatrixStats_1.34.0
## [113] ggsignif_0.6.4            ggplotify_0.1.3          
## [115] Matrix_1.7-5              callr_3.7.6              
## [117] tzdb_0.5.0                svglite_2.2.2            
## [119] tweenr_2.0.3              pkgconfig_2.0.3          
## [121] network_1.20.0            tools_4.6.0              
## [123] cachem_1.1.0              RSQLite_2.4.6            
## [125] viridisLite_0.4.3         DBI_1.3.0                
## [127] fastmap_1.2.0             rmarkdown_2.31           
## [129] scales_1.4.0              grid_4.6.0               
## [131] ica_1.0-3                 broom_1.0.12             
## [133] AnnotationHub_4.2.0       sass_0.4.10              
## [135] coda_0.19-4.1             FNN_1.1.4.1              
## [137] BiocManager_1.30.27       dotCall64_1.2            
## [139] carData_3.0-6             RANN_2.6.2               
## [141] alabaster.schemas_1.12.0  farver_2.1.2             
## [143] scatterpie_0.2.6          yaml_2.3.12              
## [145] cli_3.6.6                 lifecycle_1.0.5          
## [147] uwot_0.2.4                presto_1.0.0             
## [149] backports_1.5.1           timechange_0.4.0         
## [151] gtable_0.3.6              rjson_0.2.23             
## [153] ggridges_0.5.7            progressr_0.19.0         
## [155] parallel_4.6.0            ape_5.8-1                
## [157] enrichit_0.1.4            jsonlite_2.0.0           
## [159] RcppHNSW_0.6.0            bit64_4.8.0              
## [161] Rtsne_0.17                yulab.utils_0.2.4        
## [163] alabaster.matrix_1.12.0   spatstat.utils_3.2-2     
## [165] BiocNeighbors_2.6.0       aisdk_1.1.0              
## [167] jquerylib_0.1.4           alabaster.se_1.12.0      
## [169] GOSemSim_2.38.0           spatstat.univar_3.1-7    
## [171] lazyeval_0.2.3            alabaster.base_1.12.0    
## [173] shiny_1.13.0              htmltools_0.5.9          
## [175] collapse_2.1.6            GO.db_3.23.1             
## [177] sctransform_0.4.3         rappdirs_0.3.4           
## [179] glue_1.8.1                spam_2.11-3              
## [181] httr2_1.2.2               XVector_0.52.0           
## [183] gdtools_0.5.0             treeio_1.36.1            
## [185] gridExtra_2.3             R6_2.6.1                 
## [187] ggiraph_0.9.6             labeling_0.4.3           
## [189] cluster_2.1.8.2           rngtools_1.5.2           
## [191] Rhdf5lib_2.0.0            aplot_0.2.9              
## [193] statnet.common_4.13.0     DelayedArray_0.38.1      
## [195] tidyselect_1.2.1          ggforce_0.5.0            
## [197] fontBitstreamVera_0.1.1   car_3.1-5                
## [199] future_1.70.0             KernSmooth_2.23-26       
## [201] S7_0.2.2                  fontquiver_0.2.1         
## [203] data.table_1.18.4         htmlwidgets_1.6.4        
## [205] ComplexHeatmap_2.28.0     RColorBrewer_1.1-3       
## [207] rlang_1.2.0               spatstat.sparse_3.1-0    
## [209] spatstat.explore_3.8-0    ggnewscale_0.5.2

Références

Seurat v5 : Hao et al. (2024). Dictionary learning for integrative, multimodal and scalable single-cell analysis. Nature Biotechnology.
SCTransform : Hafemeister & Satija (2019). Normalization and variance stabilization of single-cell RNA-seq data. Genome Biology.
SingleR : Aran et al. (2019). Reference-based analysis of lung single-cell sequencing. Nature Immunology.
CellChat : Jin et al. (2021). Inference and analysis of cell-cell communication using CellChat. Nature Communications.
clusterProfiler : Wu et al. (2021). clusterProfiler 4.0: A universal enrichment tool. The Innovation.
EnhancedVolcano : Blighe et al. (2021). EnhancedVolcano: Publication-ready volcano plots. Bioconductor.

Rapport généré avec R Markdown · Hani Abid · 2026

Analyse Transcriptomique Spatiale avec Xenium (10x Genomics)

Cancer du Poumon — Données Publiques

Hani Abid

12 mai 2026

Résumé

1 Environnement et Packages

2 Chargement de l’Objet Seurat

3 Contrôle Qualité

4 UMAP — Jeu de Données Complet

4.1 Clusters projetés

4.2 Expression d’AGER (Marqueur Pneumocyte Type I)

5 Carte Spatiale des Clusters

6 Annotation des Types Cellulaires — SingleR

6.1 UMAP annoté (assay sketch)

6.2 UMAP annoté (jeu complet)

6.3 Carte spatiale des types cellulaires

6.4 Composition cellulaire — Diagramme en barres

7 Expression Génique Différentielle

7.1 Top marqueurs par cluster — Dot plot

7.2 Volcano plot — Macrophages vs Lymphocytes T

8 Communication Intercellulaire — CellChat

8.1 Réseau — Nombre d’interactions

8.2 Réseau — Force des interactions

8.2.1 Figure 1 : Réseau d’interactions complet

8.2.2 Figure 2 : Interactions pondérées (types majeurs)

8.2.3 Figure 3 : Interactions entre types mineurs et majeurs

8.3 Heatmap des voies de signalisation

9 Enrichissement de Voies Métaboliques — KEGG

9.1 Dot plot KEGG

9.2 Réseau gène-concept (cnetplot)

10 Synthèse et Conclusions

10.1 Limitations

10.2 Perspectives

11 Informations de Session

Références