<img src=“https://github.com/JEFworks/STdeconvolve/blob/devel/docs/img/STdeconolve_logo.png？raw=true"/><!-- 徽章：开始-->[！[R生成状态](https://github.com/JEFworks/STdeconvolve/workflows/R-CMD-check/bode.svg)](https://github.com/JEFworks/STdeconvolve/actions)<!-- 徽章：结束-->`STdeconvolve`支持对多细胞像素分辨率空间转录组学数据进行无参考细胞类型反褶积。整体方法详见[bioRxiv](https://www.biorxiv.org/content/10.101/2021.06.15.448381v2)##概述`STdeconvolve`是一种无监督机器学习方法，用于对多细胞像素分辨率的空间转录组学数据集进行去卷积，以便在不依赖外部单细胞转录组学参考的情况下，恢复细胞类型的假定转录组学轮廓及其在空间分辨率像素内的比例表示。<img src=“https://github.com/JEFworks/STdeconvolve/blob/devel/docs/img/STdeconolve_workflowforwebsite_v2.png？raw=true"/>##安装要安装“STdeconvolve”，建议使用“remotes”：```第页需要（远程）远程：：install_github（'JEFworks-Lab/STdeconvolve'）```在典型的台式计算机上安装需要几分钟的时间。###关于包分支的注释默认的`package`分支R依赖项>=4.1，但是`devel`分支>=3.6。##示例```对库（ST去卷积）##负载内置数据数据（mOB）pos<-mOB$poscd<-mOB$计数annot<-mOB$annot##删除基因太少的像素计数<-cleanCounts（cd，min.lib.size=100）##基因的特征选择语料库<-restrict语料库（counts，removeAbove=1.0，removeBelow=0.05）##选择最佳细胞类型数ldas<-fitLDA（t（作为矩阵（语料库）），Ks=seq（2，9，by=1））##获得最佳模型结果optLDA<-最优模型（模型=ldas，opt=“min”）##提取去卷积细胞类型比例（θ）和转录谱（β）结果<-getBetaTheta（optLDA，perc.filt=0.05，betaScale=1000）decProp<-结果$thetadecGexp<-结果$beta##可视化取消卷积的细胞类型比例即所有主题（decProp，pos，groups=不能，group_cols=彩虹（长度（级别（annot）），r=0.4）```<img src=“https://github.com/JEFworks/STdeconvolve/blob/devel/docs/getting_started_files/figure-markdown_github/getting_started_proportions-1.png？raw=true"/>更多详细信息可以在教程中找到。##教程-[开始使用`STdeconvolve`](https://github.com/JEFworks/STdeconvolve/blob/devel/docs/getting_started.md)-[STdeconvolve`]的附加功能(https://github.com/JEFworks/STdeconvolve/blob/devel/docs/additional_features.md)-[注释取消卷积的单元格类型](https://github.com/JEFworks/STdeconvolve/blob/devel/docs/celltype_annotation.md)-【10X Visium数据分析】(https://github.com/JEFworks/STdeconvolve/blob/devel/docs/visium_10x.md)-[“STdeconvolve”可能失败的示例](https://github.com/JEFworks/STdeconvolve/blob/devel/docs/failure_examples.md)##预处理数据集有关复制手稿中使用的某些数据集的预处理命令，请查看：[https://jef.works/STdeconvolve/](https://jef.works/STdeconvolve/)
