ezST

10x Visium 空间转录组分析技能包（Codex Skills Plugin）——分阶段执行，每阶段由 LLM 解读生物学意义后停下等人审查。

这是什么

一个可一键安装的 Codex 技能包（marketplace + plugin），把空间转录组分析做成 5 个阶段的流水线：

加载+QC → 归一化+聚类 → 空间域+SVG → 反卷积 → 邻域富集+细胞通讯

每个阶段执行完会：

产出图片（PNG）和结果文件
LLM 用 vision 看图 + 读结果，给出生物学意义解读
停下，等你审查
你选择 通过 / 调整 / 跳过 后才进入下一阶段

ezST 自带完整的 Python 运行时（src/ezst/ 独立包，11 个分析函数），不依赖任何外部项目。

安装（一键 pip）

ezST 是标准 Python 包，pip install 一条命令装好全部 Python 依赖（scanpy / squidpy / scvi-tools / leidenalg / cell2location）：

# 直接安装（发布版）
pip install ezST

# 或从 GitHub 安装（最新）
pip install git+https://github.com/QING1105/ezST.git

需要 Python >= 3.10。建议装进独立虚拟环境（conda/venv）。

R 依赖（仅 S4 反卷积 / S5 细胞通讯需要）

R 包（Seurat / SPOTlight / CellChat）无法通过 pip 安装，单独一条命令：

Rscript install/install_r_packages.R

需要 R >= 4.3；Windows 需 Rtools（脚本自动检测提示）。

安装 skill

1. 添加 marketplace

codex plugin marketplace add QING1105/ezST

2. 安装 plugin

codex plugin add spatial-transcriptomics@ezST

@ezST 指定插件所在的 marketplace：
codex plugin add spatial-transcriptomics@ezST

3. 验证安装

codex plugin list
# 应该看到 spatial-transcriptomics 已安装

codex plugin marketplace list
# 应该看到 ezST

本地开发安装（不经过 GitHub）

codex plugin marketplace add ./path/to/ezST
codex plugin add spatial-transcriptomics@ezST

使用

安装后，直接对 Codex 说自然语言，它会自动匹配对应 skill：

# 完整流程（会分 5 阶段，每阶段停下等你审查）
分析我的胃癌 Visium 数据，路径在 /data/gastric/GSE246011/，按分阶段流程跑，每阶段停下来给我审查。

# 单阶段调用
# 加载+QC
帮我加载并质控这个 Visium 数据 /data/gastric/GSE246011/GSM7853983_STAD-G1-count.csv.gz

# 反卷积
用 /data/ref_scRNA.h5ad 作为参考，对我的 Visium 数据 /data/gastric/proj/results/01_loading/sample.h5ad 做细胞类型反卷积

# 细胞通讯
对我的聚类结果 /data/gastric/proj/results/04_clustering/sample_clustered.h5ad 做细胞通讯分析

审查协议

每阶段结束后，你会看到类似这样的解读，然后选择：

【S2 阶段结果】
- 关键数字：1202 spots retained / 8 clusters
- 图片观察：cluster 0-3 形成连续的左上区域，cluster 5-7 分散在右下
- 生物学意义：左上区域可能是肿瘤主体，右下可能是间质区
- 建议：聚类分辨率 1.0 是否合适？

请选择：通过 / 调整 / 跳过

通过：进入下一阶段
调整：告诉我改什么参数（如"resolution 调到 0.5"），重跑当前阶段
跳过：不做本阶段，继续下一阶段

Skills 一览

Skill	阶段	工具链	触发场景
`spatial-transcriptomics`	编排	5 阶段协议 + 解读模板 + 审查协议	完整流程分析
`spatial-s1-load-qc`	S1	`init_spatial_project` → `load_visium_data` → `filter_visium_spots`	加载数据、QC 过滤
`spatial-s2-normalize-cluster`	S2	`normalize_visium` → `cluster_spatial_data`	归一化、聚类
`spatial-s3-domains-svg`	S3	`identify_spatial_domains` → `find_spatially_variable_genes`	空间域、SVG
`spatial-s4-deconvolve`	S4	`deconvolve_spatial_destvi` / `deconvolve_spatial_spotlight`	细胞类型反卷积
`spatial-s5-downstream`	S5	`spatial_neighborhood_enrichment` → `infer_spatial_cell_communication`	邻域富集、细胞通讯
`spatial-atera`	Atera 分支	官方 Zarr 读取与分割核对 → 表达分析 → 空间下游	用户的 Atera 数据

数据

支持的数据类型与分析分支

ezST 按数据类型自动选择分析分支（LLM 读取数据画像后判断走哪条路径）：

数据类型	平台	分析单元	分析分支	关键差异
Classic Visium	10x Visium (v1/v2)	spot (~55µm)	加载+QC → 归一化+聚类 → 空间域+SVG → 反卷积 → 邻域+通讯	spot 是混合信号，需要反卷积解出细胞类型
Visium HD (cell)	10x Visium HD	单细胞（分割后）	分割（2 种方法）→ QC → 注释（label transfer） → 空间域 → 邻域+通讯	分割后按 scRNA 处理，不需要反卷积，用注释
Visium HD (bin)	10x Visium HD	bin（2/8/16µm 等规格）	按 spot 类似处理或先分割为细胞	bin 是转录捕获单元，非生物学单元；bin 规格由数据决定
Atera	10x Atera	单细胞（官方分割）	官方 Zarr 读取+QC → 表达与注释 → 空间域 → 邻域+通讯	保存原始基因计数、官方注释和微米坐标

Visium HD 分割的两种方法

spatial-visium-hd skill 的 S4 提供两种细胞重建方法（二选一或都跑对比）：

方法	工具链	原理	输出
bin2cell（10x 官方）	StarDist 核分割 + 核多边形 buffer 扩展（29px≈8µm）→ bin 聚合	核分割后按核归属聚合 2µm bin	`04_bin2cell.h5ad`（蓝色轮廓 overlay）
Proseg（贝叶斯）	StarDist 核分割 + Proseg 贝叶斯分割（voxel_size/样本数自动）	用转录空间 + 核先验联合分割	`proseg_out.zarr/` + `04_proseg_cells.h5ad`（红色轮廓 overlay）

数据集

公开测试数据：GEO GSE246011（胃癌 Visium，6 样本，wide-CSV 格式）
Atera 示例：10x 官方 FFPE 人正常肾脏（Atera Onboard Analysis 1.0.4，18,049 个基因），分析组图见下方。
Visium HD 示例：10x Genomics 官方小鼠小肠（Mouse Small Intestine, FFPE, C57BL/6）
- 数据页：Visium HD Spatial Gene Expression Library, Mouse Small Intestine (FFPE)
- 直接下载（Space Ranger 3.0.0 输出，含 2/8/16µm bin + 高分辨率组织图像）：
  - https://cf.10xgenomics.com/samples/spatial-exp/3.0.0/Visium_HD_Mouse_Small_Intestine/Visium_HD_Mouse_Small_Intestine_binned_outputs.tar.gz
  - https://cf.10xgenomics.com/samples/spatial-exp/3.0.0/Visium_HD_Mouse_Small_Intestine/Visium_HD_Mouse_Small_Intestine_tissue_image.btf
- 参考注释：Haber et al. 2017（小鼠小肠 scRNA-seq，label transfer）
Classic Visium 反卷积及参考映射注释使用 scRNA-seq（h5ad + 细胞类型标签）；Atera 肾脏示例读取官方已有细胞注释。

迭代记录

0823：我们修复了一个上传内容有误的 bug，已重新 git。
0826：补充上了 Visium HD 的适配，其中 segment 部分提供了两种方法，10x 官方的 bin2cell 和 Proseg，具体分割效果见最后组图。
1026：修复了安装依赖、原始计数与空间分析、Visium HD 分割聚合和 Proseg 基因映射问题，并完善 Windows 兼容性及下游流程。
1026（Atera）：使用官方人肾脏数据完善 Atera 正式格式读取、细胞分割核对及空间注释，并补充全流程组图。

Visium HD 全流程组图（0826）

Atera 全流程组图（1026）

10x 官方 FFPE 人正常肾脏；全组织 398,873 个细胞，局部分析 2,183 个细胞。

目录结构

ezST/
├── pyproject.toml                      # Python 包定义（pip install 一键装依赖 + src/ezst 代码）
├── requirements.txt                    # Python 依赖清单
├── src/ezst/                           # 独立运行时（不依赖 Biomni）
│   ├── __init__.py                     #   导出 11 个分析函数
│   └── visium.py                       #   经典 Visium 全流程实现
├── .agents/plugins/marketplace.json    # 市场清单
├── install/                            # R 依赖安装
│   ├── install_r_packages.R            #   R 包安装（Seurat/SPOTlight/CellChat）
│   ├── install.sh                      #   Linux/macOS 一键（pip + R）
│   └── install.bat                     #   Windows 一键（pip + R）
├── README.md
└── plugins/
    └── spatial-transcriptomics/        # 插件（领域包）
        ├── .codex-plugin/plugin.json   # 插件清单（skills: ./skills/）
        ├── README.md
        └── skills/                     # 6 个 SKILL.md
            ├── spatial-transcriptomics/SKILL.md   # 总编排
            ├── s1-load-qc/SKILL.md
            ├── s2-normalize-cluster/SKILL.md
            ├── s3-domains-svg/SKILL.md
            ├── s4-deconvolve/SKILL.md
            └── s5-downstream/SKILL.md

License

MIT

QING1105/ezST

プロジェクト文書