四行代码完成单细胞转录组的降维聚类分群

Posted on by

昨天在《生信技能树》公众号的一个教程：这也能画？，我提到了一个很无聊的R包，名字是：scRNAstat ，它可以4行代码进行单细胞转录组的降维聚类分群，其实完全没有技术含量， 就是把 Seurat 流程的一些步骤包装成为了4个函数：

  • basic_qc (查看数据质量)
  • basic_filter （进行一定程度的过滤）
  • basic_workflow （降维聚类分群）
  • basic_markers（检查各个亚群的标记基因）

我们这里以大名鼎鼎的pbmc3k数据集为例。如果你还没有下面的seurat-data包和pbmc3k对象 ，就自己去下载：

install.packages('devtools')
devtools::install_github('satijalab/seurat-data')
library(SeuratData) #加载seurat数据集 
getOption('timeout')
options(timeout=10000)
InstallData("pbmc3k") 
data("pbmc3k") 
sce <- pbmc3k.final

这个时候，我们使用 pbmc3k数据集的这个sce变量，它是一个 Seurat 包需要的格式。然后我们创造一个文件夹来存放降维聚类分群结果，并且加载其它相关r包，主要是我的 scRNAstat ：

library(scRNAstat) 
library(Seurat)
library(ggplot2)
library(clustree)
library(cowplot)
library(dplyr)
x='check_pbmc3k_by_scRNAstat'
dir.create( x )

接下来 就是正餐啦， 四行代码完成单细胞转录组的降维聚类分群

sce = basic_qc(sce=sce,org='human',
 dir = x) 
sce = basic_filter(sce) 
sce = basic_workflow(sce,dir = x) 
markers_figures <- basic_markers(sce,
 org='human',
 group='seurat_clusters',
 dir = x)

有了这些， 就可以很容易去判断不同单细胞亚群的生物学名字啦！

p_umap = DimPlot(sce,reduction = 'umap', 
 group.by = 'seurat_clusters',
 label.box = T, label = T,repel = T)
p_umap+markers_figures[[1]]

ggsave(paste0('umap_markers_for_',x,'.pdf'),width = 12)

如下所示：

image-20211031232954986

可以看到1群的B细胞，而4是CD8的T细胞，第8群是NK细胞，第10群的DC细胞，而0，2，3，9都是CD4的T细胞，其中5，6，7都是髓系而且主要是单核细胞。

给出这样的生物学名字，需要对上面的基因有一些背景知识哦！需要背诵如下所示各个细胞亚群高表达量基因的列表：

# T Cells (CD3D, CD3E, CD8A), 
# B cells (CD19, CD79A, MS4A1 [CD20]), 
# Plasma cells (IGHG1, MZB1, SDC1, CD79A), 
# Monocytes and macrophages (CD68, CD163, CD14),
# NK Cells (FGFBP2, FCG3RA, CX3CR1), 
# Photoreceptor cells (RCVRN), 
# Fibroblasts (FGF7, MME), 
# Endothelial cells (PECAM1, VWF). 
# epi or tumor (EPCAM, KRT19, PROM1, ALDH1A1, CD24).
# immune (CD45+,PTPRC), epithelial/cancer (EpCAM+,EPCAM), 
# stromal (CD10+,MME,fibo or CD31+,PECAM1,endo)

其实这样的基础认知，也可以看基础10讲：

最基础的往往是降维聚类分群，参考前面的例子：人人都能学会的单细胞聚类分群注释

总结一下

对任意的 Seurat 包需要的变量格式，sce，都是可以走下面的 四行代码完成单细胞转录组的降维聚类分群：

sce = basic_qc(sce=sce,org='human',
 dir = x) 
sce = basic_filter(sce) 
sce = basic_workflow(sce,dir = x) 
markers_figures <- basic_markers(sce,
 org='human',
 group='seurat_clusters',
 dir = x)

其实完全没有技术含量， 就是把 Seurat 流程的一些步骤包装成为了4个函数：

  • basic_qc (查看数据质量)
  • basic_filter （进行一定程度的过滤）
  • basic_workflow （降维聚类分群）
  • basic_markers（检查各个亚群的标记基因）
​

Comments are closed.