scMLnet 包：使用单细胞测序数据推断细胞通讯中的“配体-受

生信碱移

scMLnet 使用笔记

本文将介绍如何使用 scMLnet 从单细胞 RNA 测序数据推断细胞通讯中的调控网络

中山大学 孙小强 教授团队于2020年开发了一种 scRNA-seq 数据驱动的多层网络方法 (scMLnet)。scMLnet不仅可以模拟细胞间通信，还可以模拟细胞内基因调控网络。其基于细胞类型特异性基因表达、先验网络信息和统计推断，整合了细胞间通路（配体-受体相互作用）和细胞内子网络（受体-TF 通路和 TF-靶基因相互作用）。这意味着，scMLnet 可用于使用 scRNA-seq 数据预测细胞内基因表达的微环境调节因子，并了解细胞间通讯的功能作用。

文章截图

github项目地址：

https://github.com/SunXQlab/scMLnet

软件包与输入的配置

首先需要在R语言中安装 scMLnet 包

install.packages("devtools")
library(devtools)
devtools::install_github("YUZIXD/scMLnet")

同时需要进行python及多层网络分析相关库的安装：

多层网络主页

①pip的安装：通过 https://pypi.python.org/pypi/pip#downloads 网址安装pip管理工具，下载压缩包，解压后使用cmd命令窗口进入解压文件夹目录如下图，运行 python setup.py install 即可

安装包解压示意

②相关库的安装：打开cmd命令行运行以下代码安装 networkx、matplotlib、scipy、pymnet：

pip install networkx
pip install matplotlib
pip install git+https://github.com/bolozna/Multilayer-networks-library
pip install scipy

③工作目录下提前放好code与database两个文件夹：

例图

这两个文件直接在github上下载就好了：

项目github主页

注意一下，database的文件是可以自己准备的，是配体-受体、受体-TF、TF-mRNA的互作信息

正式运行

#引用R包
library(dplyr)
library(Seurat)
library(patchwork)
library(ggplot2)
library(SingleR)
library(cowplot)
library(tidyverse)
library(scMLnet)

seurat对象的构建：

#设置目录并读取data文件夹下的10X文件
data_dir <- paste0(getwd(),"/data")  #路径必须中文
samples=list.files(data_dir)
dir=file.path(data_dir,samples)
afdata <- Read10X(data.dir = dir)
# 简单创建一个seurat对象“sample”，每个feature至少在3细胞中表达同时每个细胞中至少200个feature被检测到
sample <- Seurat::CreateSeuratObject(counts = afdata, 
                                     project = "SeuratObject", 
                                     min.cells = 3,
                                     min.features = 200)
# 计算一下线粒体与核糖体基因的百分比，在sample@meta.data添加列名"percent.mt"与"percent.rb"
sample <- Seurat::PercentageFeatureSet(sample, pattern = "^MT-", col.name = "percent.mt")
sample <- Seurat::PercentageFeatureSet(sample, pattern = "^RP", col.name = "percent.rb")
# 质控
mask1 <- sample$nCount_RNA >= 1000
mask2 <- sample$nFeature_RNA >= 500
mask3 <- sample$percent.mt <= 20
mask <- mask1 & mask2 & mask3
sample <- sample[, mask]
# 标准化
sample <- Seurat::SCTransform(sample)
# 简单降个维
sample <- Seurat::RunPCA(sample)
sample <- Seurat::RunUMAP(sample, dims = 1:30)
sample <- Seurat::RunTSNE(sample, dims = 1:30)
# 分一下cluster
sample <- Seurat::FindNeighbors(sample, dims = 1:30)
sample <- Seurat::FindClusters(sample, resolution = 1.2)
#singleR简单注释一下
refdata=celldex::HumanPrimaryCellAtlasData() 
afdata <- GetAssayData(sample, slot="data")
cellpred <- SingleR(test = afdata,  
                    ref = refdata, 
                    labels = refdata$label.main,
                    method = "cluster", 
                    clusters = sample@meta.data$seurat_clusters)
metadata <- cellpred@metadata
celltype = data.frame(ClusterID = rownames(cellpred), 
                      celltype = cellpred$labels, 
                      stringsAsFactors = F)
#########细胞注释后结果可视化
newLabels=celltype$celltype
names(newLabels)=levels(sample)
sample=RenameIdents(sample, newLabels)

简单可视化一下：

#简单可视化一下
p1<-DimPlot(sample, reduction = "pca")
p2<-DimPlot(sample, reduction = "tsne")
p3<-DimPlot(sample, reduction = "umap")
p1+p2+p3

三种降维方法汇总

参数设置与输入文件的准备：

#增加一列细胞属性到meta文件里
afcell=as.data.frame(sample@active.ident)
afcell=afcell[rownames(sample@meta.data),,drop=F]
sample$cell=afcell[,1]
#参数设置
pval <- 0.05
logfc <- 0.15
LigClu <- "T_cells"       #研究关注提供配体的细胞亚群
RecClu <- "monocyte"     #研究关注提供受体的细胞亚群
workdir <- "sample/Macrophage_Neutrophils" #结果路径
PyHome <- "D:/Python/python.exe" #python软件路径
#生成输入文件
BarCluFile=as.data.frame(sample@meta.data[,"cell",drop=F])
colnames(BarCluFile)="Cluster"
out=cbind(Barcode=rownames(BarCluFile),BarCluFile)
write.table(out,file="cellType.txt",sep="\t",quote=F,row.names=F)

我的python安装在D盘，所以 python.exe 的路径就好设置了：

python路径

构建配体-受体-TF-mRNA多层网络：

#计算配体-受体-TF-mRNA多层网络
netList <- RunMLnet(sample@assays$RNA, "cellType.txt", RecClu, LigClu,pval, logfc)
#可视化
DrawMLnet(netList,LigClu,RecClu,workdir,PyHome,plotMLnet = T)

结果展示

就分享到这里了

示例文件跟上篇单细胞推文一样（公众号：生信碱移）

有问题可以后台咨询

短时间没有回复请各位见谅，说不定正在忙

doge