单细胞分析工具||ShinyCell交互式展示单细胞数据

生信技能树jimmy

发布于 2023-08-31 11:14:57

7131

发布于 2023-08-31 11:14:57

ShinyCell包是由杜克-新加坡国立大学医学院的John F. Ouyang团队开发的单细胞分析工具包，实现基于shiny网页交互式展示单细胞数据；于2021年3月发表于Bioinformatics杂志。如文章中介绍，ShinyCell相比同类工具具有多个优势，例如直观的side-by-side的降维可视化方式，hdf5格式保存表达矩阵从而读取快速，支持pdf/png保存图片，支持多种常见单细胞数据类型等。参考其教程文档，学习记录如下。

Paper | ShinyCell: simple and sharable visualization of single-cell gene expression data
DOI | https://doi.org/10.1093/bioinformatics/btab209
Github | https://github.com/SGDDNB/ShinyCell

1. 安装R包

# (1) 安装ShinyCell所需的依赖包
reqPkg = c("data.table", "Matrix", "hdf5r", "reticulate", "ggplot2",
           "gridExtra", "glue", "readr", "RColorBrewer", "R.utils", "Seurat")
newPkg = reqPkg[!(reqPkg %in% installed.packages()[,"Package"])]
if(length(newPkg)){install.packages(newPkg)}

# (2) 安装运行shiny所需的R包
reqPkg = c("shiny", "shinyhelper", "data.table", "Matrix", "DT", "hdf5r",
           "reticulate", "ggplot2", "gridExtra", "magrittr", "ggdendro")
newPkg = reqPkg[!(reqPkg %in% installed.packages()[,"Package"])]
if(length(newPkg)){install.packages(newPkg)}

# (3) 最后安装ShinyCell包
# github直接安装
devtools::install_github("SGDDNB/ShinyCell")
# 源文件本地安装
devtools::install_local("ShinyCell-master.zip")

ShinyCell支持多种单细胞数据类型，包括Seurat， SCE(singlecellexperiment), h5ad, loom；并均提供了相应的示例文件；
如其文档所强调，ShinyCell是一个可视化工具，而不是分析工具；所以提供的单细胞数据需要已经完成基础的上游分析；
下面主要以Seurat类型为例进行学习

library(Seurat)
library(ShinyCell)
library(shiny)

2. 基础用法

2.1 示例数据

# getExampleData()   # ~200MB
# http://files.ddnetbio.com/hrpiFiles/readySeu_rset.rds
seu = readRDS("readySeu_rset.rds")

单细胞数据里需包括

（1）标准化表达矩阵；
（2）细胞meta信息；
（3）降维信息。

### （1）标准化表达矩阵
dim(seu)
# [1] 12590  9852
Assays(seu)
# [1] "RNA"
seu@assays$RNA@data[1:4,1:4]  #注意是ENSEMBL基因ID
# 4 x 4 sparse Matrix of class "dgCMatrix"
#                 FM_AAACCTGAGAAACGCC-1 FM_AAACCTGAGTGGAGTC-1 FM_AAACCTGCATAGAAAC-1 FM_AAACCTGTCATTCACT-1
# ENSG00000000003                     .                     .             0.8413237                     .
# ENSG00000000419                     .                     .             .                             .
# ENSG00000000457                     .                     .             .                             .
# ENSG00000000460                     .                     .             .                             .

### （2）细胞meta信息
head(t(seu@meta.data[1,]),10)
#                 FM_AAACCTGAGAAACGCC-1
# orig.ident      "FM"                 
# RNA_snn_res.0.5 "5"                  
# library         "FM"                 
# nUMI            "13798"              
# nGene           "3522"               
# pctMT           "1.232063"           
# pctHK           "20.77113"           
# score_S         "-0.2176265"         
# score_G2M       "-0.3646008"         
# phase           "G1"  

### （3）降维信息
names(seu@reductions)
# [1] "pca"     "tsne"    "umap"    "diffmap" "fdl"  
head(Embeddings(seu, reduction = "umap"))
#                          UMAP_1     UMAP_2
# FM_AAACCTGAGAAACGCC-1 -7.728941 -3.2370806
# FM_AAACCTGAGTGGAGTC-1 -7.048894  2.8379904
# FM_AAACCTGCATAGAAAC-1 -7.768705  1.6628623
# FM_AAACCTGTCATTCACT-1 -6.059119  3.3121483
# FM_AAACCTGTCTCTGAGA-1 -8.030442  1.5388506
# FM_AAACGGGCAGGCGATA-1 -9.831629 -0.5126803

2.2 生成shiny网页

（1）生成meta配置文件

scConf = createConfig(seu)
head(scConf) # 每行对应一项meta的title、level name、颜色方案等信息
t(scConf[1,])   
#         [,1]                             
# ID      "orig.ident"                     
# UI      "orig.ident"                     
# fID     "FM|NR|PR|RR"                    
# fUI     "FM|NR|PR|RR"                    
# fCL     "#A6CEE3|#B89B74|#ED8F47|#B15928"
# fRow    "1"                              
# default "1"                              
# grp     "TRUE"

ID, fID 对应原始数据；UI, fUI, fCL 分布表示在shiny中展示的meta title，level name，colors fROW表示 legend的行数，default 表示是否为默认展示的两种cell info，grp表示是否为分组类型

（2）生成shiny配置文件

?makeShinyApp
makeShinyApp(seu, scConf, 
    gene.mapping = TRUE,  # default FALSE, only when ENSEMBL gene id
    gex.assay = "RNA", gex.slot = "data",
             shiny.title = "scRNA-seq shiny app",
             shiny.dir = "shinyApp/") 
# 查看结果
list.files("shinyApp")
# [1] "sc1conf.rds" "sc1def.rds"  "sc1gene.rds" "sc1gexpr.h5" "sc1meta.rds" "server.R"    "ui.R"

除了其中的gene.mapping参数（需要在单细胞数据的基因名为ENSEMBL格式时设置为TRUE），其余均为默认参数；
此外还有其它参数，包括默认展示的gene，降维类型；shiny.footnotes参数还支持设置网页的脚注用以交代数据集来源。

（3）最后运行shiny网页即可

# 在本地浏览器的3344端口打开
runApp("shinyApp/", launch.browser = T, port = 3344)

3. 模块介绍

（1）完成上述步骤后即可在本地生成一个shiny网页，下面结合作者分享的示例http://shinycell1.ddnetbio.com/介绍其内容；

在每个模块中，均有3个Toggle选项支持筛选细胞，调整部分绘图参数等。

（2）如上图所示，ShinyCell主要支持7个可视化模块；若从绘图类型来说共是6种图

	模块	图形	含义	e.g.
1	CellInfo vs GeneExpr	降维图	对比可视化细胞的分群信息与表达信息	A+B
2	CellInfo vs CellInfo	降维图	对比可视化细胞的两种不同分群信息	A+A
3	GeneExpr vs GeneExpr	降维图	对比可视化细胞的两种不同表达信息	B+B
4	Gene coexpression	降维图	可视化细胞的两种不同表达信息	C
5	Violinplot / Boxplot	小提琴图/箱图	可视化特定分群下，细胞的表达分布	D
6	Bubbleplot / Heatmap	点图/热图	可视化特定分群下，细胞的多个表达分布	F
7	Proportion plot	柱状图	可视化特定分群下，细胞的另一种分群的分布	E

4. 进阶用法

4.1 meta config调整

如上介绍，生成shiny网页的第一步是根据单细胞数据的meta信息生成相应的config文件，用以设置模块可视化的细节。
默认情况下会使用全部的meta信息，如需调整一方面可直接修改原来的单细胞数据；另一方面也可以使用ShinyCell包进行部分修改，如下所示。

seu <- readRDS("readySeu_rset.rds")
seu@meta.data = seu@meta.data[,1:6]
scConf = createConfig(seu)
# 展示当前的meta config legend
showLegend(scConf) 

# (1)删除若干条细胞注释信息
scConf = delMeta(scConf, c("orig.ident"))
# (2)修改在shiny的细胞注释名title name(fID)
scConf = modMetaName(scConf,
                     meta.to.mod = c("nUMI", "nGene"),
                     new.name = c("No. UMIs", "No. detected genes"))
# (3)修改在shiny的细胞注释名level name(fUI)
scConf = modLabels(scConf, meta.to.mod = "library",
                   new.labels = c("fm", "pr", "nr", "rr"))

# (4)修改在shiny的细胞注释可视化颜色(fCL)
scConf = modColours(scConf, meta.to.mod = "library",
                    new.colours= RColorBrewer::brewer.pal(n = 4, name = "Set1"))

showLegend(scConf)

# showOrder(scConf)
# scConf = reorderMeta(scConf, rev(scConf$ID))
# showOrder(scConf)

如需修改特定meta的level factor顺序，似乎只能在原始单细胞数据的meta中进行修改。

4.2 多个数据集

ShinyCell支持在同一个网页内独立展示多个的数据集，可参考示例网页http://shinycell2.ddnetbio.com
简单生成方法如下

## 数据集1
seu <- readRDS("readySeu_rset.rds")
scConf1 = createConfig(seu)
makeShinyFiles(seu, scConf1, 
    gene.mapping = TRUE,  
    shiny.prefix = "sc1", # 前缀不同
             shiny.dir = "shinyAppMulti/") 
## 数据集2
scConf2 = delMeta(scConf1, c("orig.ident"))
makeShinyFiles(seu, scConf2, 
    gene.mapping = TRUE,  
    shiny.prefix = "sc2", # 前缀不同
    gex.assay = "RNA", gex.slot = "data",
             shiny.dir = "shinyAppMulti/") 

## 生成shiny配置文件
makeShinyCodesMulti(
  shiny.title = "Multi-dataset Tutorial", 
  shiny.prefix = c("sc1", "sc2"),
  shiny.headers = c("Dataset1", "Dataset2"),
  shiny.footnotes = "",
  shiny.dir = "shinyAppMulti/")

## 运行网页
runApp("shinyAppMulti/", launch.browser = T, port = 3344)

4.3 linux平台

对于大型单细胞数据集，需要在服务器linux平台分析时，大体与上述方式类似，简述流程如下。

# (1) 前期需在linux的R语言环境下安装相关R包，并准备相关数据
# (2) 生成shiny网页文件 
seu <- readRDS("readySeu_rset.rds")
scConf = createConfig(seu)
makeShinyApp(seu, scConf, gene.mapping = TRUE,
             shiny.title = "ShinyCell Quick Start")

# (3) linux端运行网页，注意需要设置launch.browser参数为FALSE
runApp("shinyApp/", launch.browser = F, port = 3344)

# (4) 本地window端链接：同时win键+R，输入cmd打开命令窗口，根据下述命令进行链接
ssh -L localhost:3344:localhost:3344 username@192.168.212.xxx -p 22

# (5) 最后本地浏览器打开 http://127.0.0.1:3344/ 即可

往期回顾

单细胞最好的教程（四）：降维

单细胞最好的教程（三）：特征基因选择

单细胞最好的教程（二）：归一化

Python 单细胞分析教程（一）：质量控制

单细胞分析工具||COSG鉴定marker基因

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2023-08-08，如有侵权请联系 cloudcommunity@tencent.com 删除

shiny