1. 为什么我们需要sctransform?聊聊单细胞数据标准化的那些“坑”
如果你刚开始接触单细胞转录组数据分析,可能会觉得数据预处理这一步有点让人头疼。尤其是“标准化”这个环节,听起来就很理论化。但这一步恰恰是决定你后续分析成败的关键。我刚开始做单细胞项目时,也和大家一样,跟着教程走,用Seurat里经典的NormalizeData()加ScaleData()那一套,虽然能跑出结果,但总觉得有些地方不对劲——比如细胞分群图看起来有点模糊,或者找出来的差异基因列表里总混进一些奇奇怪怪的、表达量忽高忽低的基因。
这背后的核心问题,是单细胞数据天生的“技术噪音”太大了。简单来说,我们测序得到的每个细胞的基因表达量(UMI计数),并不完全代表真实的生物学状态。它受到很多技术因素的影响,比如一个细胞捕获的mRNA总量(测序深度)、实验批次、甚至细胞大小。想象一下,你用一个粗管子和一个细管子去吸水,吸上来的水量肯定不同,但这不代表水源本身有差异。单细胞数据里的“测序深度”就是这个管子粗细的问题。传统的对数标准化(LogNormalize)方法,虽然简单直接,但它处理这种深度差异的方式比较“粗暴”,相当于给所有数据简单做个缩放,并没有很好地建模和剔除这些技术噪音。
而sctransform的出现,就是为了更优雅地解决这个问题。它基于一个叫做“正则化负二项回归”的统计模型。别被这个名字吓到,你可以把它理解成一个更聪明的“数据清洁工”。这个清洁工不仅会打扫卫生(去除技术噪音),还能根据房间的实际情况(每个细胞的特征)来决定怎么打扫,而不是一刀切。它能更准确地估计基因表达中的技术变异和生物变异,从而在标准化后的数据里,让真实的生物学信号“浮出水面”。在实际操作中,这意味着你的细胞分群会更清晰,细胞类型标记基因会更显著,下游的差异表达分析也会更可靠。接下来,我们就一步步看看怎么在Seurat里请出这位“智能清洁工”。
2. 实战第一步:准备环境与数据
工欲善其事,必先利其器。在运行sctransform之前,我们需要确保R环境里已经装好了必要的“工具包”。这里主要就是三个:Seurat、ggplot2和sctransform。Seurat是单细胞分析的主力框架,ggplot2用于绘图,而sctransform就是今天的主角——标准化工具包。安装很简单,打开你的RStudio,在控制台里运行下面几行代码:
# 安装CRAN上的包
install.packages("Seurat")
install.packages("ggplot2")
# sctransform托管在GitHub上,需要用devtools安装
install.packages("devtools")
devtools::install_github("ChristophH/sctransform")
安装时如果遇到依赖包的问题,按照提示逐个安装即可。装好后,每次开始分析前,记得用library()函数把它们加载进来。
接下来是数据。单细胞数据通常来自10x Genomics等平台的Cell Ranger输出,结果是一个包含三个文件(barcodes.tsv.gz, features.tsv.gz, matrix.mtx.gz)的文件夹。假设你的数据已经处理好,并且有多个样本,我们需要先把它们读进来并合并。这里我分享一个我常用的、比较清晰的流程,避免在环境里创建太多中间变量:
library(Seurat)
library(ggplot2)
library(sctransform)
# 1. 读取样本列表
# 假设你有一个Excel或CSV文件记录了所有样本ID
samples <- read.csv("../data/metadata/sample_list.csv")$sample_id
# 或者直接定义一个字符向量
# samples <- c("Sample1", "Sample2", "Sample3")
# 2. 创建一个空列表来存放每个样本的Seurat对象
seu_list <- list()
# 3. 循环读取每个样本的数据并创建Seurat对象
for (i in seq_along(samples)) {
data_dir <- paste0("../data/cellranger/", samples[i], "/filtered_feature_bc_matrix")
# 读取10x数据
counts_data <- Read10X(data.dir = data_dir)
# 创建Seurat对象,并设置一个基础过滤条件(比如至少3个细胞表达某基因才保留该基因)
seu_obj <- CreateSeuratObject(counts = counts_data,
project = samples[i],
min.cells = 3,
min.features = 200) # 通常也过滤掉基因数太少的低质量细胞
# 将对象存入列表
seu_list[[i]] <- seu_obj
}
# 4. 合并所有样本的Seurat对象
# 如果样本不多,可以直接用merge函数
seu_merged <- merge(seu_list[[1]], y = seu_list[2:length(seu_list)],
add.cell.ids = samples, # 给细胞barcode加上样本前缀,防止重复
project = "My_Project")
这段代码比原始文章里的更结构化一些,利用列表来管理多个样本对象,代码更易读,也更容易扩展。合并后的seu_merged对象就是我们进行后续所有分析的起点。这里有个小细节,CreateSeuratO
2196



被折叠的 条评论
为什么被折叠?



