R版BBKNN整合去批次

生信技能树

发布于 2023-02-27 21:17:53

8580

发布于 2023-02-27 21:17:53

文章被收录于专栏：生信技能树生信技能树

之前我有测试过很多整合去批次的算法，例如CCA，RPCA，harmony，LIGER等：

也有用python做过BBKNN和harmony：

巧用Python加速单细胞分析

总体来说，在R语言环境下harmony相较其他算法还是比较优秀的，例如速度快，占内存小，整合的结果比较好。此外，python的BBKNN算法也是非常优秀的，丝毫不比R语言环境下的harmony弱，缺点就是需要用户会用python。我最近检索的时候发现bbknn居然出了R语言的版本，看时间戳也是近半年的更新，详见github：

https://github.com/ycli1995/bbknnR

安装：

#devtools::install_github("ycli1995/bbknnR")
install.packages("bbknnR")

我们开箱试用一下，使用之前的示例数据，方便比较：

单细胞多样本整合之Harmony，LIGER和LISI

library(bbknnR)
library(Seurat)
library(ggplot2)
library(dplyr)
library(SeuratData)
library(patchwork)

#### 1.load dataset
ifnb.data = LoadData("ifnb")

#### 2.normalize/HVG/scale三步走
ifnb.data <- ifnb.data %>% NormalizeData(verbose = F) %>%
  FindVariableFeatures(selection.method = "vst", nfeatures = 2000, verbose = F) %>% 
  ScaleData(verbose = F) %>%
  RunPCA(npcs = 50, verbose = F)

#### 3. bbknn
ifnb.data <- ifnb.data %>% RunBBKNN(reduction = "pca", 
                                    run_TSNE = F,
                                    batch_key = "orig.ident")

ifnb.data <- ifnb.data %>% FindNeighbors(reduction = "pca", k.param = 10, dims = 1:30) %>% 
  FindClusters(resolution = 0.5, algorithm = 1, graph.name="bbknn")%>% 
  identity()

#### 5.umap可视化
p1 <- DimPlot(ifnb.data, reduction = "umap", group.by = "stim")
p2 <- DimPlot(ifnb.data, reduction = "umap",group.by = "seurat_annotations", label = TRUE)
P.total = wrap_plots(p1,p2)
P.total