单细胞转录组 | 使用SingleR进行细胞亚群自动注释

生信real

发布于 2022-12-20 09:30:44

4.9K10

代码可运行

文章被收录于专栏：Linux基础入门

运行总次数：0

代码可运行

前言

上一期我们介绍了如何人工进行亚群注释，本期我们来介绍单细胞转录组数据的自动注释方法：SingleR。

本文框架

1. 安装包

如果已经安装，此步请跳过。

install.packages('Seurat')
install.packages('dplyr')
install.packages('tidyverse')
install.packages('patchwork')
install.packages("BiocManager")
BiocManager::install("SingleR")

2. 加载包

library(Seurat)
library(dplyr)
library(tidyverse)
library(patchwork)
library(SingleR)

3. 设置工作路径

setwd("D:/sc-seq")

根据自己的数据存放位置自定义路径。

4. 数据读取

该数据为harmony后的数据。

scRNA <- load("scdata2.Rdata")

数据获取请查看：单细胞转录组 | 多样本处理与Harmony整合

5. 加载数据集

使用SingleR的最简单方法是使用内置参考对细胞进行注释。

这里我们提供了下载好的数据集：链接：https://pan.baidu.com/s/1iThoEbHe_fJOSxiSZGeKFw 提取码：2022

# 加载人数据集
load("D:/sc-seq/SingleR_ref/ref_Human_all.RData")
# 重命名
refdata <- ref_Human_all

6. 数据提取

6.1 提取data数据

函数格式：GetAssayData(object, slot = "data", ...)

object：Seurat对象；

slot：要提取的特定信息。

在这里我们提取了scRNA_harmony中的data数据，即：下图红框里的数据。

data <- GetAssayData(scRNA_harmony, slot="data")

6.2 提取clusters数据

因为后续我们要对clusters进行注释，在这里我们提取clusters数据，即：下图红框里的数据。

clusters <- scRNA_harmony@meta.data$seurat_clusters

7. SingleR注释

test：单细胞表达值的数字矩阵，即：前面提取的data数据；

ref：来自参考数据集的表达式值的数值矩阵，即：前面加载的参考数据集；

labels：ref中所有样本的已知标签的字符向量或因子，一般直接用refdata$label.main即可；

method：选择cluster，因为要以cluster为单位进行注释；

assay.type.test/assay.type.ref：选择对数据进行Log转化。

## SingleR注释
cell_singleR <- SingleR(test = data, ref = refdata, labels = refdata$label.main, 
                    method = "cluster", clusters = clusters, 
                    assay.type.test = "logcounts", assay.type.ref = "logcounts")
## 提取注释信息
celltype = data.frame(ClusterID=rownames(cell_singleR), celltype=cell_singleR$labels, stringsAsFactors = FALSE)
## 查看提取信息
head(celltype)
#  ClusterID          celltype
#      0           Chondrocytes
#      1             Macrophage
#      2               T_cells
#      3              Macrophage
#      4              Macrophage
#      5               Monocyte
## 保存文件
write.csv(celltype,"celltype_singleR.csv",row.names = FALSE)

8. 将注释信息写到metadata中

# 给meta.data添加一列，并暂时赋予空值
scRNA_harmony@meta.data$celltype = "NA"
# 赋值
for(i in 1:nrow(celltype)){
  scRNA_harmony@meta.data[which(scRNA_harmony@meta.data$seurat_clusters == celltype$ClusterID[i]),'celltype'] <- celltype$celltype[i]}

9. 绘图

# tsne
p1 = DimPlot(scRNA_harmony, group.by="celltype", label=T, label.size=5, reduction='tsne')
# umap
p2 = DimPlot(scRNA_harmony, group.by="celltype", label=T, label.size=5, reduction='umap')
# 合并
p3 = plotc <- p1+p2+plot_layout(guides = "collect")
# 保存
ggsave("celltype.pdf", p3, width=15 ,height=8)
ggsave("celltype.png", p3, width=15 ,height=8)

查看图片：

10. 保存数据

save(scRNA_harmony,file="scRNA_harmony.RData")

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：2022-11-02，如有侵权请联系 cloudcommunity@tencent.com 删除

data

label

object

ref

本文分享自生信百宝箱微信公众号，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！

登录后参与评论

0 条评论

热度