🤫 Seurat | 强烈建议收藏的单细胞分析标准流程（细胞周期

2022-10-19 本文已影响0人生信漫卷

写在前面

在scRNAseq数据中，不同细胞处在不同细胞周期，如果不进行异质性校正的话，会对结果有很大的影响。🤨
常用的方法是根据经典的细胞周期基因进行评分，即cell cycle scores, 然后在预处理时将score纳入回归中。👀

用到的包

rm(list = ls())
library(Seurat)
library(tidyverse)
library(ggsci)

示例数据

exp.mat <- read.table(file = "./nestorawa_forcellcycle_expressionMatrix.txt", 
                      header = TRUE, as.is = TRUE, row.names = 1)

Seurat标准流程处理

4.1 创建Seurat对象

marrow <- CreateSeuratObject(counts = exp.mat)
marrow

4.2 归一化（Normalization）

marrow <- NormalizeData(marrow)

4.3 寻找高变基因

marrow <- FindVariableFeatures(marrow, selection.method = "vst")

4.4 标准化

marrow <- ScaleData(marrow, features = rownames(marrow))

查看并提取细胞周期基因

Seurat包内置了细胞周期的相关基因集，我们来看一下不同周期里的基因吧。🤒
这里提供的是人的细胞周期的相关基因，如果你做的是小鼠，你需要做一下转换，解决方案如下：👇

https://www.r-bloggers.com/2016/10/converting-mouse-to-human-gene-names-with-biomart-package/ （如果大家需要讲解的人多，以后可以专门写一期这个方面的东西，欢迎留言。）

5.1 查看细胞周期基因集

Note! 这里演示我们用的是老版本，这里补充一下新版本，cc.genes.updated.2019。 😘

cc.genes

5.2 提取细胞周期基因

这里我们将不同周期的基因提取出来，即S期,G2期和M期。🥳

s.genes <- cc.genes$s.genes
g2m.genes <- cc.genes$g2m.genes

主成分分析

这里我们可以看到一些细胞周期基因在PC8和PC10是有显著差别的, 如TOP2A和MKI67等。😉

marrow <- RunPCA(marrow, features = VariableFeatures(marrow), 
                 ndims.print = 1:10, nfeatures.print = 10)

DimHeatmap(marrow, dims = c(8, 10),
           fast = T)

计算细胞周期评分

7.1 计算评分

现在我们可以根据这些细胞周期基因开始计算评分了。🤩

marrow <- CellCycleScoring(marrow, 
                           s.features = s.genes, 
                           g2m.features = g2m.genes, 
                           set.ident = TRUE)

head(marrow[[]])

7.2 可视化-ridgeplot

看一下几个细胞周期基因的分布情况。😘

RidgePlot(marrow, 
          features = c("PCNA", "TOP2A", "MCM6", "MKI67"), 
          cols = pal_npg("nrc", alpha = 0.7)(3),
          ncol = 2)

7.3 可视化-PCA

我们用细胞周期基因做一下PCA，有明显的分别。🫠

marrow <- RunPCA(marrow, features = c(s.genes, g2m.genes))
DimPlot(marrow,
        cols = pal_npg("nrc", alpha = 0.7)(3))

排除细胞周期异质性的影响

计算好细胞周期的评分以后，我们就可以在标准化的时候加入这个变量了，去除它的影响。🤒

8.1 开始去除

marrow <- ScaleData(marrow, 
                    vars.to.regress = c("S.Score", "G2M.Score"), 
                    features = rownames(marrow))

8.2 可视化-PCA

这个时候我们再用细胞周期基因做一下PCA看看结果，成功聚在一起，没有明显的区分啦。

marrow <- RunPCA(marrow, features = VariableFeatures(marrow), nfeatures.print = 10)
marrow <- RunPCA(marrow, features = c(s.genes, g2m.genes))
DimPlot(marrow,
        cols = pal_npg("nrc", alpha = 0.7)(3))

可选步骤

以上讲述的方法删除了所有与细胞周期相关的信号值。💪
在某些情况下，如分化过程中（如小鼠造血），干细胞处于静止状态，而分化细胞正处于增殖状态（反之亦然）。🧐
在这种情况下，回归所有细胞周期效应，会影响干细胞和祖细胞的区分。🫠
所以，在这里我们采用G2M期和S期得分之间的差值进行回归。

marrow$CC.Difference <- marrow$S.Score - marrow$G2M.Score
marrow <- ScaleData(marrow, vars.to.regress = "CC.Difference", features = rownames(marrow))

可视化一下吧！~🥰
这里虽然细胞群聚在一起，但G1期和G2M期/S期是可以区分开的。

marrow <- RunPCA(marrow, features = VariableFeatures(marrow), nfeatures.print = 10)
marrow <- RunPCA(marrow, features = c(s.genes, g2m.genes))
DimPlot(marrow,
        cols = pal_npg("nrc", alpha = 0.7)(3))

<center>最后祝大家早日不卷!~</center>

需要示例数据的小伙伴，在公众号回复Cellcycle获取吧！

点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰

本文由mdnice多平台发布