使用scanpy进行高可变基因的筛选
2022-09-13 本文已影响0人
云养江停
函数
import scanpy as sc
sc.pp.highly_variable_genes
功能
取出高可变基因，默认使用log的数据，当使用flavor=seurat_v3的时候，采用count data。(这里一定要注意，如果你先对数据做了标准化，再选择seurat_v3将会报错)
flavor参数可以选择是使用Seurat，Cell ranger还是seurat v3的算法。
Seurat and Cellranger中，使用的是dispersion-based方法，获得归一化的方差。先对基因按照表达量平均值进行分bin，然后计算落在每个bin的基因的离散度（dispersion）的均值和SD，最终获得归一化的dispersion。对于每个表达量的bin，选择不同的高可变表达基因。
而Seurat3的算法，计算每个基因的方差进行归一化。首先对数据在规范化标准偏差下（a regularized standard deviation）进行标准化（使用z标准化），之后计算每个基因的归一化的方差，并且进行排序，获得高可变基因。
# 重要参数
"""
* adata：输入的数据，每行是一个细胞，每列是一个特征
* layer：使用的是哪一个layer
* n_top_genes：如果是使用seurate_v3的方法，那么需要指定该参数。
* min_mean：默认0.0125 ；max_mean：默认是3 ；min_disp: 默认0.5， max_disp: 默认是inf。如果指定了n_top_genes , 这个和其他所有mean和disp参数都会无效，因此设置了 flavor='seurat_v3' 该参数无用。
* span：默认是0.3；当flavor=seurat_v3的时候，用loess模型来估计variance的数据的比例。
* n_bins : 默认是20，对表达量分bin的数目，对每个bin里的数据进行归一化，如果只有一个基因落到bin里，那么该bin的dispersion会设为1。
* flavor: {‘seurat’, ‘cell_ranger’, ‘seurat_v3’} (default: 'seurat')
* subset：默认是false，只是返回高可变基因，否则就原位替换
* inplace：默认是True，在var中进行存储矩阵
* batch_key：
If specified, highly-variable genes are selected within each batch separately and merged.
This simple process avoids the selection of batch-specific genes and acts as a lightweight batch correction method.
For all flavors, genes are first sorted by how many batches they are a HVG.
For dispersion-based flavors ties are broken by normalized dispersion.
If flavor = 'seurat_v3',
ties are broken by the median (across batches) rank based on within-batch normalized variance
* check_values：True，在seurat_v3模式下有用，检测每个count是不是为整型
"""
代码
## _highly_variable_genes.py
mean, var = materialize_as_ndarray(_get_mean_var(X))
# now actually compute the dispersion
mean[mean == 0] = 1e-12 # set entries equal to zero to small value
dispersion = var / mean
df['dispersions_norm'] = (
df['dispersions'].values # use values here as index differs
- disp_mean_bin[df['mean_bin'].values].values
) / disp_std_bin[df['mean_bin'].values].values
获得每个基因的dispersion值，并进行排序
mean, var = _get_mean_var(X_batch)
not_const = var > 0
estimat_var = np.zeros(X.shape[1], dtype=np.float64)
y = np.log10(var[not_const])
x = np.log10(mean[not_const])
model = loess(x, y, span=span, degree=2) ### 对mean和var进行loess回归
model.fit()
estimat_var[not_const] = model.outputs.fitted_values
reg_std = np.sqrt(10 ** estimat_var)
batch_counts = X_batch.astype(np.float64).copy()
