1.3:绘制大脑图

接下来，我们想看看相邻的大脑区域是否共享SGSE估计。为此，我们将使用CreateBrain合并所有的microdissected组织回来testEnrich所以每一个一般脑区存在于Allen脑图谱参考图中的神经网络由各自的底层组织支持。

如上所述，请注意一般大脑区域在艾伦大脑图谱参考图和microdissected组织存在于Allen Brain Atlas转录数据集中的基因并不具有1:1的关系。因此，参考图中有些区域没有转录信息支持，而有些区域则有多个组织支持。

CreateBrain从SpatialEnrichment而且testEnrich作为输入。还有另外两个论点需要考虑。

CreateBrain参数:

• 切片:来自发育中或成人大脑的图像。对于发育中的大脑和成人大脑来说，选择都是1-10。
• Pcut:考虑a的p值阈值microdissected组织被充实或耗尽

由于我们最初发现LHAa很有趣，让我们看看发育中的大脑包含哪些部分一般大脑区域由拉萨组成。

tis_in_region(复合,“LHAa”）#>切片区域#> 16 THM#> 2 7 THM

切片6和7都有丘脑中lha (THM)的相关信息。让我们使用切片6进行下游分析。

复合< -CreateBrain(复合,res,片=5，pcut =0.05）

一旦microdissected组织是否合并成相应的一般大脑区域时，可绘制图像。

PlotBrain(综合)

从这张图上看，丘脑确实富集了第v组基因。有趣的是，周围的区域也丰富了这一套。通过参考艾伦大脑图谱我们可以看到这些一般大脑区域比如壳核(Pu)和尾状核(Ca)。

请注意，您可以直接引用艾伦大脑图谱或使用available_areanames以确定可用的列表一般脑区要查询的名称。

available_areanames(复合,片=6）# >[1]“BNST”“CP”“Ca”“光”“HTH”“工业区”“教育法”“兆欧”“MZ”“Pu”# >[11]“R”“SG”“SN”“SP”“深圳”“三”“VA”“登陆”“alCP”“peCP”>[21]“peMZ”

让我们仔细看看一般脑区Putamen的用法和样例:使用tis_set我们可以回溯并确定是哪一种microdissected组织支持最终的颜色代码在一个给定的领域感兴趣。

tis_set(复合,area.name =“Pu”，片=6）#> abrev structure_name#> 1 Pld硬膜外侧部#> 2硬膜中腹部#> 3 PuC尾壳核4 PuR硬膜口侧

现在我们可以回去观察基因重叠microdissected组织在壳层内。这里我们关注的是硬膜的中腹侧部分

vth_pld_overlap < -GetGenes(vth复合,tissue_abrev =“结构”）长度(vth_pld_overlap)#> [1]##vth_go <-富贵go(基因= vth_pld_overlap，## OrgDb = org.Hs.eg.db，## keytype = '符号'，## pvalueCutoff = 0.05，## qvalueCutoff = 0.05)# # dotplot (vth_go showCategory = 30)

GO术语“激素活动”在与LHAa和Pmv的比较中都出现了。也许这些组织之间有一个共同的通路。让我们使用whichtissues观察Pmv中具有激素活性的基因是否也存在于LHAa中。

捕获与激素活性相关的基因#vth_go2 <- data.frame(vth_go)#vth_match <- vth_go2$Description == "荷尔蒙活动"#vth_pmv_hormone <- vth_go2[vth_match， "geneID"]#vth_pmv_hormone <- unlist(strsplit(vth_pmv_hormone，"/"))#识别这些基因在所有组织中的存在#vth_pmv_hormone <-哪个组织(vth_pmv_hormone, refset = "developing")# vth_pmv_hormone_tis [1:10]# LHAa中存在哪些基因(1)#all <- vth_pmv_hormone e_tis[，"LHAa"]#vth_pmv_hormone[all == 1]

事实上，所有参与Pmv中激素活动的基因也在LHAa中表达。

使用上述功能，brainImageR为我们提供了一种查询死后人脑SGSE的简便方法。我们计算了基因重叠富集的意义，并用人脑图像可视化了这些富集。现在让我们继续从数据集预测开发时间。

第二节:发育时间点预测

2.0:准备数据

brainImageR的另一个功能是参考死后人脑预测样本的发育时间点。这个分析需要一个归一化表达式矩阵作为输入。这个矩阵的列应该是样本，行应该是基因符号格式的基因名。中提供了一个示例dat．

数据(dat)昏暗的(dat)#> [1] 10192头（rownames(dat))#>[1]“a2m”“nat2”“acat1”“ada”“adrb2”“adrb3”头（colnames(dat))# >[1]“NPC.1”“NPC.2”“NPC.3”“NPC.4”“Neurons.5”“Neurons.6”国家< -do.call（“rbind”，strsplit（colnames(dat),“。”，固定的=真正的)),1］

2.1:预测发育时间

在最简单的情况下，人们可以通过提供完整的艾伦大脑图谱数据集来预测发育时间predict_time．多项研究表明，体外获得的神经元主要再现了产前发育。因此我们提供了额外的灵活性predict_time在产前获得更高的分辨率。这是通过将分析限制在艾伦大脑图谱中的样本中来完成的，这些样本来自给定的一类数据。你可以看到我们使用哪些数据集进行了预计算availabledatasets．

# availabledatasets ()

让我们从默认设置开始，它将使用所有可用的样本来执行时间预测。

时间< -predict_time(dat,minage =8，maxage =40）

PlotPred将显示覆盖在Allen Brain Atlas参考集(aba)预测之上的预测，以显示模型在起始数据集上的表现。这个图使用户能够直观地了解模型是如何执行的

PlotPred(时间)

正如我们所看到的，使用所有样本，预测在所有时间点上是线性的。与大多数体外神经元研究一样，我们的样本与产前样本聚类。虽然我们的模型很好地预测了所有年龄段的时间，但存在一个问题，即产前样本之间的预测时间间隔很小。为了在这段时间内提供更高的分辨率，让我们限制分析在预测中只使用产前样本。

如果我们选择“产前”，这将限制预测仅那些<怀孕后40周的样本。

#time <- predict_time(dat,dataset = "产前")# PlotPred(时间)

现在我们可以看到，该模型在产前时间点具有更高的分辨率。请注意，此模型不应用于出生后样本，因为(与默认模型相反)它解决出生后时间点之间差异的能力较弱。

现在我们已经有了一个用于检查产前发育样本的模型，让我们将npc与神经元进行比较。

#time2 <- data.frame(pred_age = time@pred_age, state)#time2$state <- time2$state, c("NPC"，" neuron "))# ggplot (time2 aes(状态,pred_age)) ++ # geom_boxplot ()# ylab(“预计时间，受孕后几周”)+#实验室(title = "预测发育时间，\ndataset =产前")

正如预期的那样，神经前体细胞在发育时间上比神经元更年轻。在与此包相关的手稿中，有预测死后和体外衍生神经元发育时间的额外示例，显示了的效用predict_time跨数据集和类型。

还有其他选项predict_time允许用户进一步细化他们的分析。

predict_time参数:

• dat:一个规范化的表达式矩阵，其中列是样本，行是由基因符号定义的基因。
• dataset:如果需要，用户可以从预先计算的模型工作。使用availabledatasets看看有什么选择。默认值= " all "。
• 基因列表:如果你想将预测限制在某个基因子集，你可以在论点中保留你的完整数据集dat在这里输入限制基因列表。
• minage:构思后最少几周即可运行预测。
• maxage:运行预测的最长时间。
• 组织:将数据集限制为感兴趣的组织。
• minrsq:(0 - 1)。minrsq与模型的预测强度相关。减小该值以允许计算较弱的模型。

使用这些额外的选项，我们在预测时有了更大的灵活性。例如，假设我们生成了与成人杏仁核功能相似的神经元，因此更喜欢最能代表该特征的模型。我们可以设置minage到40岁组织并重新计算我们的预测。

#time <- predict_time(dat,minage = 40, tissue = "AMY")