这两个疾病的患者的PBMC跟正常人的在单细胞转录组水平差异很大吗

Posted on by

众所周知，2型糖尿病是一种复杂的代谢紊乱，会引起各种并发症，包括牙周炎。所以研究者们就选取了这两个疾病（ Type 2 diabetes mellitus (DM)和 periodontitis (PD) ）的患者的PBMC公共数据集做研究：

  • GSE165816 includes the transcriptional profiles of PBMCs obtained from patients with DM and healthy donors.
  • GSE164241 is a scRNA‐seq dataset of gingival tissues from patients with PD and from healthy controls.

两个单细胞转录组数据集汇总后是：

  • 11 healthy controls,
  • 10 patients with PD without DM,
  • six patients with PDDM

值得一提的是这个数据挖掘是韩国人做的哦，标题是：《Immunological link between periodontitis and type 2 diabetes deciphered by single‐cell RNA analysis》

首先是降维聚类分群和分组后看比例变化

如下所示：

看比例变化

然后是各个单细胞亚群在不同分组的各种差异分析和富集分析

如下所示：

各种差异分析和富集分析

高级分析

主要是针对具体的某个细胞亚群看功能变化，比如这个文章就是针对 CD8T and NK cells

  • 打分：The cytotoxicity, exhaustion and activity scores
  • 拟时序
  • 细胞通讯

首先看看GSE164241

是2021发表在CELL杂志的《Human oral mucosa cell atlas reveals a stromal- neutrophil axis regulating tissue immunity》，文章的第一层次降维聚类分群是比较简单的：

  • endothelial (ACKR1, RAMP2, SELE, VWF, PECAM1),
  • fibroblast (LUM, COL3A1, DCN, COL1A1, CFD),
  • immune (CD69, CD52, CXCR4, PTPRC, HCST),
  • epithelial (KRT14, KRT5, S100A2, CTSA, SPRR1B)

第一层次降维聚类分群是比较简单的

是标准的10x数据集，所以很容易导入到R里面进行分析


###### step1:导入数据 ###### 
samples=list.files('GSE164241_RAW/outputs/')
samples 
sceList = lapply(samples,function(pro){ 
 # pro=samples[1]
 folder=file.path('GSE164241_RAW/outputs/',pro) 
 print(pro)
 print(folder)
 print(list.files(folder))
 sce=CreateSeuratObject(counts = Read10X(folder),
 project = pro ,
 min.cells = 5,
 min.features = 300)

 return(sce)
})
names(sceList) 
samples 
names(sceList) = samples
sce.all <- merge(sceList[[1]], y= sceList[ -1 ] ,add.cell.ids = samples)

as.data.frame(sce.all@assays$RNA@counts[1:10, 1:2])
head(sce.all@meta.data, 10)
table(sce.all@meta.data$orig.ident)

library(stringr) 
sce.all@meta.data$group = substring(sce.all@meta.data$orig.ident,1,2) 
table(sce.all@meta.data$group )
head(sce.all@meta.data)

然后看GSE165816

是文章： Single cell transcriptomic landscape of diabetic foot ulcers. Nat Commun 2022 ，它的第一层次降维聚类分群要复杂一点，一步到位了：

第一层次降维聚类分群要复杂一点

本质上也是读取文件即可，代码是：


library(data.table)
dir='GSE165816_RAW/' 
samples=list.files( dir )
samples

library(data.table)
sceList = lapply(samples,function(pro){ 
 # pro=samples[1] 
 print(pro)
 ct=fread(file.path( dir ,pro),data.table = F)
 ct[1:4,1:4]
 rownames(ct)=ct[,1]
 ct=ct[,-1]
 sce=CreateSeuratObject(counts = ct ,
 project = gsub('counts.csv.gz','',
 strsplit(pro,'_')[[1]][2]),
 min.cells = 5,
 min.features = 300,)

 return(sce)
})
names(sceList) 

samples = gsub('counts.csv.gz','',samples)
sce.all=merge(x=sceList[[1]],
 y=sceList[ -1 ],
 add.cell.ids = samples)

as.data.frame(sce.all@assays$RNA@counts[1:10, 1:2])
head(sce.all@meta.data, 10)
table(sce.all$orig.ident)

我的问题是？

这两个疾病的患者的PBMC跟正常人的在单细胞转录组水平差异很大吗？有必要这样做吗？

现在呢，基本上每个疾病都是有公开的单细胞数据集，而且很多疾病都是多个数据集，是不是可以做各种各样的联合分析了呢？

​

 

Comments are closed.