单细胞伪时序分析实战:从monocle3到CytoTRACE的免疫细胞分化轨迹解析
在单细胞转录组学研究中,揭示细胞分化轨迹是理解发育和疾病机制的关键。传统聚类分析只能展示细胞状态的静态快照,而伪时序分析技术则能重建细胞状态的动态演变过程。本文将聚焦免疫细胞分化场景,通过monocle3和CytoTRACE的组合应用,展示如何从单细胞RNA-seq数据中挖掘细胞命运决定规律。
1. 环境准备与数据预处理
1.1 软件包安装与加载
伪时序分析需要一系列专业R包的协同工作。建议使用conda或renv管理环境以避免版本冲突:
# 基础分析包
install.packages(c("Seurat", "tidyverse", "Matrix", "BiocManager"))
BiocManager::install(c("monocle", "scater", "scran"))
# 轨迹分析专用
devtools::install_github("cole-trapnell-lab/monocle3")
devtools::install_github("digitalcytometry/cytotrace")
加载核心包时需注意加载顺序,避免函数冲突:
library(monocle3)
library(Seurat)
library(CytoTRACE)
library(ggplot2)
library(dplyr)
1.2 数据质量控制策略
免疫细胞数据常面临以下特征:
- 高批次效应(不同供体/实验条件)
- 线粒体基因比例差异大
- 细胞周期相关基因干扰
建议采用多阶段质控流程:
| 质控指标 | 阈值范围 | 处理方式 |
|---|---|---|
| 基因数 | 500-6000 | 过滤极端值 |
| UMI计数 | 1000-30000 | 非线性归一化 |
| 线粒体比例 | <20% | 回归分析 |
| 红细胞基因 | 0表达 | 直接移除 |
# 示例质控代码
seurat_obj <- CreateSeuratObject(counts = raw_counts) %>%
PercentageFeatureSet(pattern = "^MT-", col.name = "percent.mt") %>%
subset(subset = nFeature_RNA > 500 &
nCount_RNA > 1000 &
percen
6550



被折叠的 条评论
为什么被折叠?



