公众号后台回复20210418,获取本文的测试数据
1. 回顾
前面我已经讲解了inferCNV的基本用法,这一节继续学习:如何推断肿瘤细胞。本文应该是到目前为止,全网最详细的帖子(之一)。
关于肿瘤细胞的推断,比如研究上皮细胞起源的肿瘤,我见过的一些做法如下
- 简单粗暴型:将来源肿瘤病灶的所有上皮细胞都看成是肿瘤细胞
- 看CNV:将来源于肿瘤病灶的上皮细胞和参考细胞比较,将那些有明显CNV的细胞看作肿瘤细胞
- 看表达特征:考虑到有的肿瘤细胞可能没有CNV层面的变化,有的文章会根据肿瘤与正常的表达谱来区分是否为肿瘤细胞
如果你假设即使来源于病灶,也可能有正常(恶行程度很低)的上皮细胞,那么第2,3种做法就显得合理一些。实际数据处理中,我也确实看到过这种情况。这一节内容,我主要介绍第2种思路,第3种思路简单说一下。
2. 看CNV
既然是看,那就要选择合适的图,来辅助你看。inferCNV跑完的结果会显示一张热图

就比如这张图,相比于上方的参考panel,下方的观测panel可见一些明显的CNV,当然也可见一些细胞并没有明显的CNV,这些就是恶性程度很低的细胞。现在需要做的就是将这两种类型区分出来。
2.1 方法一
将参考和观测panel对应的矩阵提取出来,混在一起,聚类,之后每一个细胞会有一个类别label,挑出是肿瘤细胞的类别即可。为什么要混在一起呢?其实也是提供一个参考。聚成多少类,不需要特别精确,多于你肉眼能看出的类别数就行。不宜过多,操作起来麻烦;不宜过少,不然没有区分度。
示例数据之前已经跑好了,代码在try1.R,inferCNV的结果保存在try1文件夹中,利用的是run.final.infercnv_obj文件,里面保存了最终画热图用到的表达矩阵,以及细胞注释。下面是代码,有点长,先上图

library(infercnv)
library(tidyverse)
library(ComplexHeatmap)
library(circlize)
library("RColorBrewer")
infercnv_obj = readRDS("./try1/run.final.infercnv_obj")
expr <- infercnv_obj@expr.data
normal_loc <- infercnv_obj@reference_grouped_cell_indices
normal_loc <- normal_loc$normal
test_loc <- infercnv_obj@observation_grouped_cell_indices
test_loc <- test_loc$test
anno.df=data.frame(
CB=c(colnames(expr)[normal_loc],colnames(expr)[test_loc]),
class=c(rep("normal",length(normal_loc)),rep("test",length(test_loc)))
)
head(anno.df)
gn <- rownames(expr)
geneFil
6423



被折叠的 条评论
为什么被折叠?



