标准是需要因地制宜的

生信技能树jimmy

发布于 2021-01-12 14:43:04

8410

发布于 2021-01-12 14:43:04

文章被收录于专栏：单细胞天地

在CNS图表复现09—上皮细胞可以区分为恶性与否，我分享过有一些上皮细胞亚群是跨越病人的聚类情况，所以先暂时认为他们是非恶性细胞。而在 CNS图表复现17—inferCNV结果解读及利用之进阶 ，我演示了通过inferCNV结果来判断上皮细胞的恶性与否。但是有粉丝表明在follow我教程的时候，明明是在图表上面可以看到拷贝数扩展或者缺失，但是代码里面却总是并不判断它们是恶性细胞。

根据inferCNV结果进行打分

主要是读取一个文件 infercnv.observations.txt ，然后根据里面的的数值进行归类，阈值是 0.3，0.7，1.3，1.5，2 分别代表拷贝数缺失或者扩展的程度界限。其中位于 0.7-1.5之间就是拷贝数正常。全部的代码如下：

cnv_table <- read.table("inferCNV_output/infercnv.observations.txt", header=T)
# Score cells based on their CNV scores 
# Replicate the table 
cnv_score_table <- as.matrix(cnv_table)
cnv_score_mat <- as.matrix(cnv_table)
# Scoring
cnv_score_table[cnv_score_mat > 0 & cnv_score_mat < 0.3] <- "A" #complete loss. 2pts
cnv_score_table[cnv_score_mat >= 0.3 & cnv_score_mat < 0.7] <- "B" #loss of one copy. 1pts
cnv_score_table[cnv_score_mat >= 0.7 & cnv_score_mat < 1.3] <- "C" #Neutral. 0pts
cnv_score_table[cnv_score_mat >= 1.3 & cnv_score_mat <= 1.5] <- "D" #addition of one copy. 1pts
cnv_score_table[cnv_score_mat > 1.5 & cnv_score_mat <= 2] <- "E" #addition of two copies. 2pts
cnv_score_table[cnv_score_mat > 2] <- "F" #addition of more than two copies. 2pts

# Check
table(cnv_score_table[,1])
# Replace with score 
cnv_score_table_pts <- cnv_table
rm(cnv_score_mat)
# 
cnv_score_table_pts[cnv_score_table == "A"] <- 2
cnv_score_table_pts[cnv_score_table == "B"] <- 1
cnv_score_table_pts[cnv_score_table == "C"] <- 0
cnv_score_table_pts[cnv_score_table == "D"] <- 1
cnv_score_table_pts[cnv_score_table == "E"] <- 2
cnv_score_table_pts[cnv_score_table == "F"] <- 2

可以看到，这个阈值是 0.3，0.7，1.3，1.5，2 实际上是我们示例数据集里面的，是一个基于Smart-seq2的单细胞转录组数据哦。

Smart-seq2和10X的代码差异

其实仔细读文档，就可以看到：cutoff=1 works well for Smart-seq2, and cutoff=0.1 works well for 10x Genomics

# cutoff=1 works well for Smart-seq2, and cutoff=0.1 works well for 10x Genomics
infercnv_obj2 = infercnv::run(infercnv_obj,
                              cutoff=0.1, 
                              out_dir= "infercnv_output",  # dir is auto-created for storing outputs
                              cluster_by_groups=F,   # cluster
                              hclust_method="ward.D2", plot_steps=F)


infercnv_obj1 = infercnv::run(infercnv_obj,
                              cutoff= 1 , # 
                              out_dir= "Smart-seq2",  # dir is auto-created for storing outputs
                              cluster_by_groups=F,   # cluster
                              hclust_method="ward.D2", plot_steps=F)

这两个代码，跑出来的图表是有差异的哦！如下所示：