graphs

# 图构建与空间分析 ## 概述 PathML 提供了从组织图像构建空间图的工具，以表示细胞和组织层面的关系。基于图的表示支持复杂的空间分析，包括邻域分析、细胞间相互作用研究和图神经网络应用。这些图捕获了形态特征和空间拓扑，用于下游计算分析。 ## 图类型 PathML 支持构建多种图类型： ### 细胞图 (Cell Graphs) - 节点代表单个细胞 - 边代表空间邻近或生物学相互作用 - 节点特征包括形态、标记物表达、细胞类型 - 适用于单细胞空间分析 ### 组织图 (Tissue Graphs) - 节点代表组织区域或超像素 - 边代表空间邻接 - 节点特征包括组织成分、纹理特征 - 适用于组织层面的空间模式 ### 空间转录组图 (Spatial Transcriptomics Graphs) - 节点代表空间点或细胞 - 边编码空间关系 - 节点特征包括基因表达谱 - 适用于空间组学分析 ## 图构建工作流 ### 从分割到图 将细胞核或细胞分割结果转换为空间图： python from pathml.graph import CellGraph from pathml.preprocessing import Pipeline, SegmentMIF import numpy as np # 1. 执行细胞分割 pipeline = Pipeline([ SegmentMIF( nuclear_channel='DAPI', cytoplasm_channel='CD45', model='mesmer' ) ]) pipeline.run(slide) # 2. 提取实例分割掩码 inst_map = slide.masks['cell_segmentation'] # 3. 构建细胞图 cell_graph = CellGraph.from_instance_map( inst_map, image=slide.image, # 可选：用于提取视觉特征 connectivity='delaunay', # 'knn', 'radius', 或 'delaunay' k=5, # 对于 knn：邻居数量 radius=50 # 对于 radius：像素距离阈值 ) # 4. 访问图组件 nodes = cell_graph.nodes # 节点特征 edges = cell_graph.edges # 边列表 adjacency = cell_graph.adjacency_matrix # 邻接矩阵 ### 连接方法 **K-最近邻 (KNN)：** python # 将每个细胞连接到其 k 个最近邻居 graph = CellGraph.from_instance_map( inst_map, connectivity='knn', k=5 # 邻居数量 ) - 每个节点的固定度数 - 捕获局部邻域 - 简单且可解释 **基于半径：**