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 >外周血单细胞RNA测序揭示阿尔茨海默病的免疫细胞特征

外周血单细胞RNA测序揭示阿尔茨海默病的免疫细胞特征

作者头像
生信技能树jimmy
发布2023-12-26 15:37:23
3350
发布2023-12-26 15:37:23
举报
文章被收录于专栏:单细胞天地单细胞天地

文章概述

文章标题:《Single-Cell RNA Sequencing of Peripheral Blood Reveals Immune Cell Signatures in Alzheimer’s Disease》

发表日期和杂志:2021年发表在Frontiers in Immunology上

在线阅读链接:https://doi.org/10.3389%2Ffimmu.2021.645666

实验设计与疾病简介

使用了来自AD和两种NC患者的新鲜PBMC,在单细胞5'基因表达测序并汇总cell Ranger的所有样本数据后,我们最终获得36849个单细胞,包括22775个AD患者细胞和14074个NC患者细胞。

单细胞转录组数据情况

数据链接是:https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE181279

代码语言:javascript
复制
GSM5494107 AD1_GEX
GSM5494108 AD1_BCR
GSM5494109 AD1_TCR
GSM5494110 AD2_GEX
GSM5494111 AD2_BCR
GSM5494112 AD2_TCR
GSM5494113 AD3_GEX
GSM5494114 AD3_BCR
GSM5494115 AD3_TCR
GSM5494116 NC1_GEX
GSM5494117 NC1_BCR
GSM5494118 NC1_TCR
GSM5494119 NC2_GEX
GSM5494120 NC2_BCR
GSM5494121 NC2_TCR

提供了10X标准格式的三个文件,不过我们直接下载后按照数据集整理对应的文件,使用Read10X()函数读取即可。

代码语言:javascript
复制
GSM5494107_AD1_barcodes.tsv.gz 36.6 Kb
GSM5494107_AD1_features.tsv.gz 302.7 Kb
GSM5494107_AD1_matrix.mtx.gz 44.2 Mb
GSM5494110_AD2_barcodes.tsv.gz 38.3 Kb
GSM5494110_AD2_features.tsv.gz 302.7 Kb
GSM5494110_AD2_matrix.mtx.gz 40.9 Mb
GSM5494113_AD3_barcodes.tsv.gz 35.9 Kb
GSM5494113_AD3_features.tsv.gz 302.7 Kb
GSM5494113_AD3_matrix.mtx.gz 40.8 Mb
GSM5494116_NC1_barcodes.tsv.gz 34.8 Kb
GSM5494116_NC1_features.tsv.gz 302.7 Kb
GSM5494116_NC1_matrix.mtx.gz 32.6 Mb
GSM5494119_NC2_barcodes.tsv.gz 34.0 Kb
GSM5494119_NC2_features.tsv.gz 302.7 Kb
GSM5494119_NC2_matrix.mtx.gz 31.2 Mb

数据整理:下载数据,然后按照数据集名称对应的整理

代码语言:javascript
复制
fs=list.files('./','features.tsv.gz')
fs
samples1=gsub('-features.tsv.gz','',fs)
samples1
library(stringr)
samples2= gsub('-filtered','',samples1)
samples2

lapply(1:length(samples2), function(i){
  x=samples2[i]
  y=samples1[i]
  dir.create(x,recursive = T)
  file.copy(from=paste0(y,'-features.tsv.gz'),
            to=file.path(x,  'features.tsv.gz' )) 
  file.copy(from=paste0(y,'-matrix.mtx.gz'),
            to= file.path(x, 'matrix.mtx.gz' ) ) 
  file.copy(from=paste0(y,'-barcodes.tsv.gz'),
            to= file.path(x, 'barcodes.tsv.gz' )) 
  
})

读取数据,创建seurat结构进行后续的分析。

代码语言:javascript
复制
###### step1:导入数据 ######  
library(data.table)
dir='GSE181279_RAW/outputs/' 
samples=list.files( dir )
samples
# samples = head(samples,10) 
sceList = lapply(samples,function(pro){ 
  # pro=samples[1] 
  print(pro)  
  sce =CreateSeuratObject(counts =  Read10X(file.path(dir,pro )) ,
                          project =  gsub('^GSM[0-9]*_','',pro)  ,
                          min.cells = 5,
                          min.features = 500 )
  return(sce)
})
names(sceList) 
# gsub('^GSM[0-9]*','',samples)
sce.all=merge(x=sceList[[1]],
              y=sceList[ -1 ],
              add.cell.ids =  gsub('_gene_cell_exprs_table.txt.gz','',gsub('^GSM[0-9]*_','',samples) )     )

as.data.frame(sce.all@assays$RNA$counts[1:10, 1:2])
head(sce.all@meta.data, 10)
table(sce.all$orig.ident) 

#确定分组信息
sce.all$group=toupper( substring(colnames(sce.all),1,2))
 
table(sce.all@meta.data$group)
table(sce.all@meta.data$orig.ident)

在批量读取数据之前,一般要先读取一个数据用来进行测试,确认无误后,再使用循环批量读取全部的数据用于后续的分析。

后面就是标准分析啦,对读取进来的数据进行质控、harmony整合以及细分亚群定义等

第一层次降维聚类分群

使用t-SNE分析在二维空间中可视化细胞,发现21个簇代表不同的细胞类型。鉴定了五种主要的免疫细胞类型

  • CD4+T细胞:具有典型标记基因CD3D、CD3E、CD3G和CD4(簇1、2、3、4、5、6、7和8)
  • CD8+T细胞:具有标记基因CD3D、CD3E、CD3G、CD8A和CD8B(簇9、10、11、12和13)
  • B细胞:具有标记基因CD19、CD79A和CD79B(簇14、15和16)
  • 自然杀伤(NK)细胞:具有标记基因NKG7、GZMB、GNLY和NCR1(簇17、18和19)
  • 单核细胞-巨噬细胞:具有标记基因CD14和CD68(簇20)

并且发现AD和NC在t-SNE图中是分离的,这表明基因表达模式存在主要差异。

与NC相比,AD组CD4+T细胞数量显著增加。相反,AD组CD8、NK和单核巨噬细胞的比例显著低于NC。B细胞的比例在两组之间没有显著差异。

其它加分项

分别筛选了AD组和NC组(| log2fc | >0.5)和FDR <0.05)各类型免疫细胞的差异表达基因,使用圆环图显示来自多个基因的基因列表从五个免疫细胞重叠子集。

通过富集分析找到了前20个显著丰富的术语

为了进一步捕获丰富术语之间的关系,选择了丰富术语的子集,并将其呈现为相似性网络。

使用Metascape构建PPI网络

整合了不同免疫细胞簇的差异表达基因,剔除重叠基因后,共获得436个基因。为了描述这些基因之间的相互作用,使用Metascape构建了一个PPI网络。

根据程度排序法选择了前40个基因进行子网络分析,并使用MCODE算法确定了三个模块具有显著意义,这三个模块包含31个基因,它们被确定为关键基因。

T细胞和B细胞进行了受体谱系分析

T细胞

B细胞

文章小结

  1. 通过单细胞数据分析归类了5个免疫细胞亚群:CD4+ T细胞、CD8+ T细胞、B细胞、自然杀伤细胞和单核-巨噬细胞,并揭示了AD中细胞亚群比例和基因表达模式的特征性改变。
  2. 通过蛋白-蛋白相互作用网络和途径富集分析,鉴定出31个细胞类型特异性关键基因,包括丰富的人白细胞抗原基因和多种免疫相关通路。
  3. 还发现AD患者T细胞和B细胞的高频扩增克隆型和T细胞多样性降低。由于克隆扩增提示了针对特定抗原的适应性免疫反应的激活,推测外周适应性免疫反应,特别是T细胞介导的适应性免疫反应可能在AD的发病机制中起作用。
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:2023-12-20,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
  • 文章概述
  • 实验设计与疾病简介
  • 单细胞转录组数据情况
  • 第一层次降维聚类分群
  • 其它加分项
  • 文章小结
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