AUCell:单细胞转录组中识别每一个细胞对某个通路的富集程度

AUCell：能够看出某个通路在细胞中的激活情况，在文章中可以用于差异比较，即这个通路多数在巨噬细胞中激活，而在其他细胞群中不激活 8f37c46e064b71c7fc55ec17806e6e2.png

1.R包的下载

if (!requireNamespace("BiocManager", quietly=TRUE))
    install.packages("BiocManager")
# To support paralell execution:
BiocManager::install(c("doMC", "doRNG","doSNOW"))
# For the main example:
BiocManager::install(c("mixtools", "GEOquery", "SummarizedExperiment"))
# For the examples in the follow-up section of the tutorial:
BiocManager::install(c("DT", "plotly", "NMF", "d3heatmap", "shiny", "rbokeh",
                       "dynamicTreeCut","R2HTML","Rtsne", "zoo"))
browseVignettes("AUCell")

2.需要两个文件，一个是seruat的表达矩阵，一个是基因集（MsigDB数据库)

#加载R包
library(AUCell)
library(clusterProfiler)
library(ggplot2)
library(Seurat)
library(SeuratData)
library(msigdbr)
library(patchwork)
rm(list=ls())

#导入数据
#导入seurat对象
scRNA <- readRDS("scRNAsub.rds")        #这个是我自己的单细胞数据
dim(scRNA)
cells_rankings <- AUCell_buildRankings(scRNA@assays$RNA@data)  # 关键一步  细胞的表达矩阵

#制作基因集
#选择GO-BP
a=msigdbr(species = "Homo sapiens",category = "C5",subcategory = c("BP"))
a = subset(a,select =c("gs_name","gene_symbol")) %>% as.data.frame()
#选择GO-MF
b=msigdbr(species = "Homo sapiens",category = "C5",subcategory = c("MF"))
b = subset(b,select =c("gs_name","gene_symbol")) %>% as.data.frame()
#将二者合并
c <- rbind(a,b)
genesets = split(c$gene_symbol,c$gs_name)
#这样就制作好了关于GO BP与MF的基因集（唉，从这里就可以看出我的水平了，一言难尽......）

3.计算AUC： 耗时长

cells_AUC <- AUCell_calcAUC(genesets, cells_rankings, aucMaxRank=nrow(cells_rankings)*0.1)

4.找一些通路（该找哪些通路呢？） 用grep函数找

length(rownames(cells_AUC@assays@data$AUC))   #查看一下一共有多少条
data.frame(grep("METABOLIC",rownames(cells_AUC@assays@data$AUC),value = T))     #找与代谢相关的term

#选择其中一条，进行plot  ##set gene set of interest here for plotting
geneSet <- "GOBP_VITAMIN_B6_METABOLIC_PROCESS"  
aucs <- as.numeric(getAUC(cells_AUC)[geneSet, ])  #提取这个通路在每一个细胞的得分
scRNA$AUC <- aucs  #将得分添加入scRNA（seruat）对象
saveRDS(scRNA,"scRNAsub.rds")  #保存数据

#选择细胞展示的维度 
df<- data.frame(scRNA@meta.data, scRNA@reductions$umap@cell.embeddings)  #选择用UMAP维度看   也可以选择TSNE
head(df)
#我们看到每个细胞现在都加上AUC值了，下面做一下可视化。

5.plot

#做一个注释文件   就好比要在什么层次对细胞进行注释
class_avg <- df %>%
  group_by(celltype) %>%        #这里可以改成cluster  seurat_clusters/或者其他的annotation
  summarise(
    UMAP_1 = median(UMAP_1),
    UMAP_2 = median(UMAP_2)
  )

#通过ggplot画图
ggplot(df, aes(UMAP_1, UMAP_2))  +
  geom_point(aes(colour  = AUC)) + viridis::scale_color_viridis(option="A") +
  ggrepel::geom_label_repel(aes(label = celltype),
                            data = class_avg,
                            size = 6,
                            label.size = 0,
                            segment.color = NA
  )+   theme(legend.position = "none") + theme_bw()

6.references：
https://www.jianshu.com/p/784a04c49873
https://www.jianshu.com/p/2fb20f44da67