使用scater包对单细胞转录组数据进行降维分析

欢迎关注”生信修炼手册”!

对于单细胞转录组的数据，常用的降维方法有以下3种

1. PCA
2. t-SNE
3. Difffusion map

通过scater这个R包，可以方便的进行降维分析，安装方式如下

BiocManager::install("scater", version = "3.8")

具体的操作步骤如下

1. 构建SingleCellExperiment对象

对于单细胞的数据，专门制定了一个名为SingleCellExperiment的类，用来存储相关数据。

我们首先要做的就将相关数据导入到R中，只需要下两种数据即可，第一种是基因的表达量数据，每一行代表一个基因，每一列代表一个细胞，示意如下

第二种是细胞的相关信息，可以是细胞的名字，采样时间，来源组织，处理条件等metadata, 每一行是一个细胞，每一列是一种属性，示意如下

通过这两种数据，就可以构建出一个SingleCellExperiment对象，代码如下

sce <- SingleCellExperiment(
 assays = list(counts = sc_example_counts),
 colData = sc_example_cell_info
)
# 归一化
sce <- normalize(sce)

注意必须要进行归一化操作。

2. PCA

PCA是应用的最广泛的降维方法，在scater中，通过一下方式可以快速的得到PCA降维后的结果，代码如下

plotPCA(sce)

生成的图片如下

2. t-SNE

t-SNE降维算法的代码如下

set.seed(1000)
sce <- runTSNE(
 sce,
 perplexity = 10,
 use_dimred = "PCA",
 n_dimred = 10)
# 画图
plotTSNE(sce, colour_by="Treatment")

生成的图片如下

本质上是通过调用Rtsne这个包来进行t-SNE降维分析。

3. Diffusion Map

Diffusion Map简称DM降维算法，代码如下

sce <- runDiffusionMap(sce)
plotDiffusionMap(sce)

生成的图片如下

本质上是通过调用destiny这个包来进行降维分析。

scater这个R包不仅提供了各种降维分析的算法，还提供了数据QC, 基因表达量可视化等功能，更多用法请参阅官方文档。

·end·

—如果喜欢，快分享给你的朋友们吧—

扫描关注微信号，更多精彩内容等着你！