前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >CNS图表复现05—免疫细胞亚群再分类

CNS图表复现05—免疫细胞亚群再分类

作者头像
生信技能树jimmy
发布2020-09-28 10:48:42
1.9K0
发布2020-09-28 10:48:42
举报
文章被收录于专栏:单细胞天地

我们的CNS图表复现之旅已经开始,前面4讲是;

如果你也想加入交流群,自己去:你要的rmarkdown文献图表复现全套代码来了(单细胞)找到我们的拉群小助手哈。

既然我们根据Cells were defined as non-immune if belonging to a cluster low for PTPRC (gene for CD45)的规则,把细胞区分为了免疫细胞和非免疫细胞,详见:我在单细胞天地的教程:是否是免疫细胞很容易区分那是否是肿瘤细胞呢?

现在我们就可以来复现文章里面的免疫细胞亚群再分类了,如下:

免疫细胞亚群再分类

这幅图超级容易理解,就是13431个免疫细胞,可以继续细分为不同的亚群,如上所述。

首先我们挑选免疫单细胞

因为这个是系列连载教程,所以务必看前面的前面3讲是;

知道我是把全部的2万多个细胞的表达矩阵读入R,变成了Seurat对象,然后判断了细胞是否属于免疫细胞哈。前面的代码核心步骤是:

代码语言:javascript
复制
sce@meta.data$immune_annotation <-ifelse(sce@meta.data$RNA_snn_res.0.5  %in% imm ,'immune','non-immune')
# MAke a table 
table(sce@meta.data$immune_annotation)
phe=sce@meta.data
save(phe,file = 'phe-of-immune-or-not.Rdata')

就是把细胞是否属于免疫细胞这个信息(phe=sce@meta.data)保存下来了。后面就可以直接使用啦:

代码语言:javascript
复制
rm(list=ls())
options(stringsAsFactors = F)
library(Seurat)
library(ggplot2)
load(file = 'first_sce.Rdata')
sce <- FindClusters(sce, resolution = 0.5)
table(sce@meta.data$RNA_snn_res.0.5)  
load(file = 'phe-of-immune-or-not.Rdata')
table(phe$immune_annotation)
cells.use <- row.names(sce@meta.data)[which(phe$immune_annotation=='immune')]
length(cells.use)
sce <-subset(sce, cells=cells.use)  
sce

继续走Seurat标准流程之聚类分群

这样就拿到了免疫细胞单独进行后续分析,仍然是走Seurat标准流程之聚类分群,代码是:

代码语言:javascript
复制
sce
sce <- NormalizeData(sce, normalization.method =  "LogNormalize", 
                     scale.factor = 10000)
GetAssay(sce,assay = "RNA")
sce <- FindVariableFeatures(sce, 
                            selection.method = "vst", nfeatures = 2000) 
sce <- ScaleData(sce) 
sce <- RunPCA(object = sce, pc.genes = VariableFeatures(sce)) 
res.used <- 0.7
sce <- FindClusters(object = sce, verbose = T, resolution = res.used)
set.seed(123)
sce <- RunTSNE(object = sce, dims = 1:15, do.fast = TRUE)
DimPlot(sce,reduction = "tsne",label=T)
DimPlot(sce,reduction = "tsne",label=T, group.by = "patient_id")
table(sce@meta.data$seurat_clusters) 

然后走singleR的自动注释步骤:

代码语言:javascript
复制
sce_for_SingleR <- GetAssayData(sce, slot="data")
sce_for_SingleR
library(SingleR)
hpca.se <- HumanPrimaryCellAtlasData()
hpca.se
clusters=sce@meta.data$seurat_clusters
pred.hesc <- SingleR(test = sce_for_SingleR, ref = hpca.se, labels = hpca.se$label.main,
                     method = "cluster", clusters = clusters, 
                     assay.type.test = "logcounts", assay.type.ref = "logcounts")
table(pred.hesc$labels)
celltype = data.frame(ClusterID=rownames(pred.hesc), celltype=pred.hesc$labels, stringsAsFactors = F) 
sce@meta.data$singleR=celltype[match(clusters,celltype$ClusterID),'celltype']
DimPlot(sce, reduction = "tsne", group.by = "singleR")
phe=sce@meta.data
table(phe$singleR)
save(phe,file = 'phe-of-subtypes-Immune-by-singleR.Rdata')

分群结果的对比

但是我们的这个距离分群结果,跟文章是有一定差异的,如下:

分群是:

代码语言:javascript
复制
> as.data.frame(sort(table(phe$singleR)))
         Var1 Freq
1 Fibroblasts   91
2          DC  170
3     NK_cell  496
4         CMP  551
5 Neutrophils  645
6      B_cell 1957
7  Macrophage 2104
8    Monocyte 2803
9     T_cells 3698

但是它们仍然是可以细分的,如下:

文章是:

简单总结一下,文章把Macrophage和Monocyte合并起来,把B_cell区分成为两群。而我们的T_cells和NK_cell也需要被合并起来。而且 common myeloid progenitor (CMP) 这群细胞呢,在文章并没有出现,不知道是不是会被命名为 Mast-cells,需要相应的生物学背景。

文章给出的代码是;

代码语言:javascript
复制
# Annotate each of the clusters 
free_annotation <- c("T-cells","MF-Monocytes", "MF-Monocytes", "B-cells-PB", "MF-Monocytes", "T-cells", "T-cells", "Neutrophils", "Dendritic", "Mast-cells", "MF-Monocytes", "T-cells", "B-cells-M", "Unknown", "T-cells", "pDCs", "B-cells-M", "MF-Monocytes")
# free_annotation <- c("0","1", "2", "3", "4", "5", "6", "7", "8", "9", "10", "11", "12", "13", "14", "15", "16", "17", "18")

但是我们中间很多步骤都没有精准的模仿文章的各个流程和参数,所以这个时候的差异就没办法解决了,我们是22个群,文章是19个群。

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:2020-09-23,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 单细胞天地 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 首先我们挑选免疫单细胞
  • 继续走Seurat标准流程之聚类分群
  • 然后走singleR的自动注释步骤:
  • 分群结果的对比
相关产品与服务
文件存储
文件存储(Cloud File Storage,CFS)为您提供安全可靠、可扩展的共享文件存储服务。文件存储可与腾讯云服务器、容器服务、批量计算等服务搭配使用,为多个计算节点提供容量和性能可弹性扩展的高性能共享存储。腾讯云文件存储的管理界面简单、易使用,可实现对现有应用的无缝集成;按实际用量付费,为您节约成本,简化 IT 运维工作。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档