Seurat2和Seurat3共存的方法

生信技能树jimmy

发布于 2020-03-30 10:37:40

9110

发布于 2020-03-30 10:37:40

软件升级虽然是一件值得高兴的是，但是代码变化太大却不是一件好消息。比如说Seurat，这个单细胞分析最常用的R包，它的2.x版本和3.x版本的变化就是翻天覆地。

为了能够重现别人的代码，你可能需要重装2.3.4版本的Seurat，官方提供了安装脚本

source("https://gist.githubusercontent.com/satijalab/beb9bb50dedc75ee023bd5d9be5fe684/raw/e103577735a2fba9da2ccca14ce1ac33e46c1bc4/old_seurat.R")

但是在window下安装会出一个报错, 提示无法在Windows下安装MacOS的版本

这个时候需要手动安装Seurat，注意，这里要求有Rtools才能进行编译

install.packages('Seurat', repos = 'https://satijalab.org/ran', type = "source")

可以设置install.packages里的参数lib.loc，让Seurat安装到其他的文件加，就不会替换原来的Seurat，同时用library加载的时候，也需要设置lib.loc.

上面是简单可行易操作的方法，唯一的问题是你不能同时加载两个Seurat版本，当然你也不会想这样子做，所以这是一个伪需求。

下面就是瞎折腾环节，我要将Seurat的2.3.4版本单独搞出一个R包，Seurat2，这样子就可以同时加载这两个R包。

下载Seurat 2.3.4

wget https://satijalab.org/ran/src/contrib/Seurat_2.3.4.tar.gz

解压缩它

tar xf Seurat_2.3.4.tar.gz
cd Seurat

删除MD5文件，因为它会做文件检验

rm MD5

修改里面所有的Seurat替换成Seurat2, seurat替换成seurat2

find . -type f -print0 | xargs -0 sed -i "s/Seurat/Seurat2/g"
find . -type f -print0 | xargs -0 sed -i "s/seurat/seurat2/g"

这种无差别的替换会有一个问题，会把一些这类http://www.satijalab.org/seurat非代码信息中的seurat替换成seurat2，不过这并不影响实际函数的使用。

将R/seurat.R重名为R/seurat2.R

mv R/seurat.R R/seurat2.R

之后将修改后的文件进行打包

就能用install.packages("Seurat2.tar.gz",repos=NULL,type="source")

进行安装了

tar -czf Seurat2.tar.gz Seurat

注意: 目前未修改测试数据集的对象，所以不能用Seurat2来运行pbmc_small的例子

目前我将其上传到GitHub，所以可以用devtools进行安装。由于代码只是简单修改，存在bug，不建议尝试使用。

devtools::install_github("xuzhougeng/Seurat2")

代码测试，数据来自文献https://www.nature.com/articles/srep39921

library(Seurat)
library(Seurat2)

molecules <- read.delim("~/tung/molecules.txt",header = TRUE,
                        row.names = 1)

# 使用Seurat2进行分析
obj <- CreateSeurat2Object(raw.data = molecules, 
                          min.cells = 3, #筛选至少在3个细胞中表达的基因
                          min.genes = 200) #筛选至少有200个基因表达的细胞
obj <- FilterCells(obj, 
                   subset.names = c("nUMI","nGene"), 
                   low.thresholds = c(25000, 6000),
                   high.thresholds = c(Inf, Inf))
obj <- NormalizeData(
  object = obj, 
  normalization.method = "LogNormalize", 
  scale.factor = 10000
)

obj <- FindVariableGenes(
  object = obj,
  mean.function = ExpMean, #计算x轴的值的方法
  dispersion.function = LogVMR, #计算y轴的值的方法
  do.plot = F,
  x.low.cutoff = 0.0125, 
  x.high.cutoff = 3, 
  y.cutoff = 0.5
)

obj <- ScaleData(
  object = obj, 
  vars.to.regress = c("nUMI")
)

obj <- RunPCA(
  object = obj, 
  pc.genes = obj@var.genes, 
  do.print = FALSE
)

pca_to_use <- 14 #上一步主成分的个数
obj <- FindClusters(
  object = obj, 
  reduction.type = "pca", 
  dims.use = 1:pca_to_use,  # 
  resolution = 1.0, 
  print.output = 0, 
  save.SNN = TRUE
)

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2019-08-14，如有侵权请联系 cloudcommunity@tencent.com 删除

github