(四)单细胞数据分析——细胞亚群伪时序分析

Rocky 9 安装 R-CytoTRACE 给出的详细指南,只是可能大家打不开或者懒得去看E文。第二步,打开R或者Rstudio-server。第一步,下载CytoTRACE安装包。第三步,安装python相关的包。第四步,设置Python路径。 阅读详情
AI摘要

该文详细介绍了如何利用R语言中的monocle和CytoTRACE工具对单细胞数据进行处理,包括细胞亚群的功能表型刻画、分化潜能预测、细胞轨迹构建以及分支功能分析。通过导入数据、创建CDS对象、选择代表性基因、构建分化轨迹、计算分化潜能得分,并结合CytoTRACE进行细胞亚群分化潜能打分,最终进行分支功能富集分析和细胞状态的差异比较。

对细胞亚群除了可以进行一些功能表型的刻画之外,借助monocle和CytoTRACE包,我们可以对细胞的分化潜能与分化轨迹进行预测,并探讨不同分化状态下细胞的表型。

第一步:导入所需的R包

library(scibet)
library(Seurat)
library(scater)
library(scran)
library(dplyr)
library(Matrix)
library(cowplot)
library(ggplot2)
library(harmony)
library(monocle)
library(CytoTRACE)

第二步:导入数据并创建CDS对象

cell_Subtype属性是在(三)中定义的细胞亚群

BRCA_SingleCell <- readRDS("/home/BRCA_SingleCell.RDS")
allCells <- names(Idents(BRCA_SingleCell))
Idents(BRCA_SingleCell) <- "cell_Subtype"
allType <- levels(Idents(BRCA_SingleCell))

可能数据量太大,会导致伪时序过程中程序崩溃,因此可以选择采用下面的代码进行随机抽样

choose <- c()
set.seed(123)
for(i in allType){
    cgCells <- allCells[(BRCA_SingleCell$cell_Subtype == i)]
    cg <- sample(cgCells, length(cgCells)*0.6) #这里选择总数据量的60%进行分析
    choose <- c(choose, cg)
}
BRCA_SingleCell.random <- BRCA_SingleCell[,allCells %in% choose]

构建CDS对象,用于后续分析

#提取表型信息--细胞信息
expr_matrix <- as(as.matrix(BRCA_SingleCell.random@assays$RNA@counts), 'sparseMatrix')
#提取表型信息到p_data(phenotype_data)里面
p_data <- BRCA_SingleCell.random@meta.data
#提取基因信息
f_data <- data.frame(data.frame(gene_short_name = row.names(BRCA_SingleCell.random), row.names = row.names(BRCA_SingleCell.random)))
#expr_matrix的行数与f_data的行数相同(gene number),expr_matrix的列数与p_data的行数相同(cell number)
#构建CDS对象
pd <- new('AnnotatedDataFrame', data = p_data)
fd <- new('AnnotatedDataFrame', data = f_data)
#将p_data和f_data从data.frame转换AnnotateDataFrame对象
monocle_cds <- newCellDataSet(expr_matrix,
                              phenoData = pd,
                              featureData = fd,
                              lowerDetectionLimit = 0.5,
                              expressionFamily = negbinomial.size())

第三步:以高可变基因作的表达趋势进行轨迹构建

monocle_cds <- estimateSizeFactors(monocle_cds)
monocle_cds <- estimateDispersions(monocle_cds)
monocle_cds <- detectGenes(monocle_cds, min_expr = 0.1) #在fData(cds)种添加一列num_cells_expressed
print(head(fData(monocle_cds)))
expressed_genes <- row.names(subset(fData(monocle_cds), num_cells_expressed >= 10)) #过滤掉在小于10个细胞种表达的基因
#输入差异或高变基因
Idents(BRCA_SingleCell.random) <- 'cell_Subtype'
diff <- FindAllMarkers(BRCA_SingleCell.random,logfc.threshold = 0.5,only.pos = T,min.pct = 0.2)
diff <- subset(diff,!grepl(pattern = 'RP[LS]',gene))
diff <- subset(diff,!grepl(pattern = 'MT-',gene))
head(diff)
#轨迹构建基因可视化
ordergene <- row.names(diff) #选择用于排序的基因数目一般在2000左右比较合适
monocle_cds <- setOrderingFilter(monocle_cds, ordergene)
#关键步骤:使用setOrderingFilter将它嵌入cds对象,后续的分析会使用这一list
#然后将基因会被存储在cds@featureData@data[["use_for_ordering"]]中,可通过table(cds@featureData@data[["use_for_ordering"]])查看
plot_ordering_genes(monocle_cds)
#使用反向图嵌入(DDRTree)算法对数据进行降维
monocle_cds <- reduceDimension(monocle_cds, max_components = 2,
                        method = "DDRTree")
#根据order gene的表达趋势,将细胞排序并完成轨迹构建
monocle_cds <- orderCells(monocle_cds)
#使用root_state参数可以设置拟时序轴的根。如monocle_cds <- orderCells(monocle_cds, root_state = 5)

第四步:使用cytoTrace进行细胞亚群分化潜能打分

expr <- as.matrix(BRCA_SingleCell.random@assays$RNA@counts)
results <- CytoTRACE(mat = expr, enableFast = F)
pheno <- BRCA_SingleCell.random@meta.data$cell_Subtype
pheno <- as.character(pheno)
names(pheno) <- BRCA_SingleCell.random@assays$RNA@counts@Dimnames[[2]]
options(repr.plot.height = 7.5, repr.plot.width = 16)
plotCytoGenes(results, numOfGenes = 10)
plotCytoTRAC
单细胞伪时序分析实战:用monocle3和CytoTRACE搞定细胞分化轨迹(附完整R代码) 本文提供了一套结合monocle3和CytoTRACE的单细胞伪时序分析实战流程。通过详细讲解从数据准备、轨迹构建、分化潜能评分整合到高级可视化与生物学解读的全过程,并附上完整R代码与常见问题解决方案,帮助研究者从单细胞转录组数据中清晰地还原细胞分化轨迹与命运决定过程。 阅读详情

相关推荐

单细胞转录组分析(scRNA-seq)

单细胞转录组测序(Single-cell RNA sequencing,scRNA-seq)是一种高通量测序技术,可以在单细胞水平解析基因表达情况,揭示细胞异质性,探索稀有细胞类型,并研究细胞状态转换及动态调控机制。与传统的。

大甘的博客 6158

乳腺癌单细胞数据深度挖掘:从亚群聚类到伪时序分析的7个关键步骤

本文详细解析了乳腺癌单细胞数据的深度挖掘流程,涵盖从亚群聚类到伪时序分析的7个关键步骤。通过Seurat和monocle等工具,实现细胞亚群精确定义和动态轨迹重构,特别适用于乳腺癌这类高度异质性肿瘤的研究。文章提供完整的R语言实战代码,帮助研究者揭示肿瘤微环境中的细胞状态转变机制。

q6r7s8t9的博客 1015

乳腺癌单细胞数据挖掘:从亚群分型到伪时序轨迹的7个关键分析节点

本文提供了一套完整的乳腺癌单细胞数据分析实战指南,涵盖从数据质控、细胞亚群注释到伪时序轨迹构建的7个关键步骤。文章详细介绍了如何利用Seurat进行细胞分型,并重点使用Monocle3工具进行伪时序分析,以揭示肿瘤细胞的分化动态与异质性,为理解乳腺癌的演进机制提供了系统的方法学支持。

weixin_29056781的博客 322

单细胞轨迹分析实战:基于Monocle和CytoTRACE的细胞分化潜能与状态解析

本文提供了基于Monocle和CytoTRACE的单细胞轨迹分析实战指南。通过乳腺癌数据集,详细演示了从数据准备、伪时序分析、细胞分化潜能评估到分支点功能挖掘的全流程。结合两种工具的优势,能有效解析细胞状态动态演变,为发育和疾病研究提供关键见解。

weixin_29070861的博客 484

scRNA-seq Course 学习

昨天和今天都在学习scRNA-seq测序的教程。 scRNA-seq是对单个细胞进行测序分析,便于研究细胞的异质性。 scRNA-seq和bulk-RNA-seq相似,区别只在于研究的细胞数量,后者是对同一组织的大量细胞进行转录组的分析,而前者是对单个细胞进行转录组分析。 scRNA-seq的流程是制备单细胞,单细胞水平测序,数据分析。 昨天看到了分离单细胞和测序平台的方法上。 在分离单细胞方法有mirco-well plate、micro-fluid seq, droplet seq,分别是让细胞在微板上

Seraph09的博客 7625

基于Python爬虫的新闻热点分析与挖掘

本文介绍了基于Python爬虫的新闻热点分析与挖掘方法,主要包括数据收集、预处理、热点分析和可视化四个部分。首先通过爬虫抓取新浪新闻数据,利用文本清洗和存储技术进行数据预处理;接着采用TF-IDF和LDA算法进行关键词提取与主题建模;最后通过词云图和主题分布图实现数据可视化。该方法能有效识别新闻热点,为信息筛选和决策提供支持。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1548

微信小程序音视频通话(for硬件)授权与设备注册实战指南

本文详细介绍了微信小程序音视频通话(for硬件)组件的开发实践,涵盖授权流程、设备注册与VoIP插件集成。重点解析了如何通过服务端获取snTicket实现用户授权,确保硬件设备与微信端的音视频通话安全可靠,适用于智能门禁、话机等物联网场景。

u6v7w8x的博客 952

Latex参考文献中大写字母编译后自动变成了小写,如何保持原字母大写形式

bib文件参考文献中大写自动变为小写,如何保持原大写问题。Latex: 保持参考文献大小写,overleaf文献编译后,原大写字母自动变成了小写字母,如何保持原字母大写

我的个人博客 5806

【51单片机实物】基于51单片机设计的简易直流电机调测速系统(可用在普中开发板)

功能任务描述:将设置的转速与当前测量的转速比较,得出差值用于控制DAC0832的输出电压,从而控制直流电机的转速,使转速逐渐达到设置转速。在LED上显示设置转速(左2位LED)和当前转速(右2位LED),转速显示采用十进制。控制过程中,当前转速显示不断变化。*直流电机转速范围0-96r/s,误差±1r/s

嵌入式阿齐Archie 1万+

点云从入门到精通技术详解100篇-基于 CBCT 与口内扫描数据的牙齿点云配准

口扫生成的三维牙模型只包含牙冠结构,容易受到唾液、食物残留等杂质的干扰。像精度,但其扫描成本较高,在公立医院的普及率较低。此外,口扫探入式的体。完整、精确的牙齿信息,有助于医生更好地进行数字化辅助诊疗,提高手术的预。可以表示上颌骨、下颌骨、牙冠以及牙根的位置和形状,但其扫描分辨率较低,精配准前实现粗略的预配准来确定点云间的初始位置,为精配准提供良好的配准。该算法通过计算点对间的距离确定源点云中的某一点在目标点云中的对应。算两点之间的欧氏距离,运算量较大,而且由于算法只考虑点集间的距离而忽略。

getusushu的博客 1644

循迹小车控制实验:代码集成与硬件验证

在main.c文件中还需定义上层代码调用的GPIO输入和PWM输出相关函数,其中调用STM32CubeMX生成的HAL库函数。}else{}else{}else{}else{在main.h文件中的USER CODE BEGIN EFP注释代码段中外部声明Get函数和Set函数,使该函数可以被上层代码调用。循迹小车控制实验到本章全部完成。相比于前几章节的实验,本实验复杂程度是最高的。

u013288925的博客 130

华为OD机试 - 名字的漂亮度(Java 牛客练习题)

本专栏包含了最新最全的2023年华为OD机试真题,有详细的分析和Java解答。已帮助1000+同学顺利通过OD机考。专栏会持续更新,每天在线答疑。每个字母都有一个“漂亮度”,范围在1到26之间。没有任何两个不同字母拥有相同的“漂亮度”。给出一个字符串,该字符串仅由小写字母组成,定义这个字符串的“漂亮度”是其所有字母“漂亮度”的总和。给出多个字符串,计算每个字符串最大可能的“漂亮度”。第一行一个整数N,接下来N行每行一个字符串。数据范围:输入的名字长度满足。每个字符串可能的最大漂亮程度。

学Java,找哪吒 1788

NX二次开发点通过云配准获取相同体

先找到体的参考方向(这个参考方向对于相同体重合之后是相同的),这个时候我们的思路是三个不共线的点确定一个坐标系,然后和绝对方向求转换矩阵。然后获取体的所有边的几何中心,把这些点通过转换矩阵转换之后存起来,再和另外一个体转换之后的点数据作对比,在误差范围内配对点的数量等于体获取点的数量就是相同体

qq_39541524的博客 1652

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: (三)单细胞数据分析——细胞亚群的表型特征刻画
下一篇: (五)单细胞数据分析——细胞亚群的表型特征刻画(补充工作)
Kevin丶大牛
博客等级 码龄7年 229粉丝 12原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Kevin丶大牛

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址