单细胞分析实录(10): 消除细胞周期的影响

如果读过一些单细胞的文献，应该会经常看到一群名为"cycling cell"的亚群，T细胞、B细胞、上皮细胞等等在分亚群的时候，都可能碰到。实际上，这群细胞只是因为高表达一些与细胞周期相关的基因，才会被单独聚成一群，里面可能包含多种细胞亚群的混合，只要它们处于细胞周期/增殖状态。

当这群细胞占比很少时，可以不做处理；占比较大，或者处于不同细胞周期时间点(G1, S, G2, M)的细胞相互分开，这时就需要消除细胞周期的影响，留下有意义的生物学差异。下图是比较极端的例子，所有细胞都处于细胞周期，且不同时间点的细胞分开：

这张图中的细胞是什么类型，有几类亚群暂且不论，仅仅是细胞周期相关基因主导聚类，干扰聚类结果，就挺影响后续分析的。这个例子来自Seurat官网，我也借此例子进行具体演示，我改了其中一些流程代码，希望能说明得清楚一些，后台回复20210316可获取全部代码和测试数据集。

总的来说，Seurat中的函数可以根据经典的细胞周期基因计算周期得分，推断细胞所处的cell-cycle时间点，然后在预处理过程中将其回归掉。

先把标准流程跑下来，

library(Seurat)
library(tidyverse)
test.mat=read.table("nestorawa_forcellcycle_expressionMatrix.remove_some_lines.txt",header = T,row.names = 1,sep = "\t",stringsAsFactors = F)
test.seu=CreateSeuratObject(counts = test.mat)
test.seu <- NormalizeData(test.seu)
test.seu <- FindVariableFeatures(test.seu, selection.method = "vst")
test.seu <- ScaleData(test.seu, features = rownames(test.seu))test.seu <- RunPCA(test.seu, npcs = 50, verbose = FALSE)
test.seu <- FindNeighbors(test.seu, dims = 1:30)
test.seu <- FindClusters(test.seu, resolution = 0.4)test.seu <- RunUMAP(test.seu, dims = 1:30)
test.seu <- RunTSNE(test.seu, dims = 1:30)

DimPlot(test.seu,reduction = "umap")
FeaturePlot(test.seu,features = c("PCNA","MKI67"),reduction = "umap")

s期基因PCNA，G2/M期基因MKI67均高表达，说明细胞均处于细胞周期

接下来判断这些细胞分别处于什么期，用到Seurat的CellCycleScoring()函数，依据的基因集已内置在Seurat中

s.genes=Seurat::cc.genes.updated.2019$s.genes
g2m.genes=Seurat::cc.genes.updated.2019$g2m.genes
test.seu <- CellCycleScoring(test.seu, s.features = s.genes, g2m.features = g2m.genes, set.ident = TRUE)

set.ident参数是将时间点的推断结果赋值为每个细胞的身份，之前聚类之后每个细胞的身份是seurat_clusters 这一步之后test.seu@meta.data数据框会多4列：S.Score、G2M.Score、Phase、old.ident

> head(test.seu@meta.data,2)
orig.ident nCount_RNA nFeature_RNA RNA_snn_res.0.4 seurat_clusters    S.Score
Prog_013       Prog    2562453        10206               0               0 -0.1230880
Prog_019       Prog    3030553         9987               3               3 -0.1407003G2M.Score Phase old.ident
Prog_013 -0.4613545    G1         0
Prog_019  0.5763395   G2M         3

我们来看一下两个评分和细胞周期phase的关系

test.seu@meta.data  %>% ggplot(aes(S.Score,G2M.Score))+geom_point(aes(color=Phase))+theme_minimal()

从这个图中，我们可以看出S.Score较高的为S期，G2M.Score较高的为G2M期，都比较低的为G1期

再回过头来看看前面得到的降维图

DimPlot(test.seu,reduction = "umap")

右上角混得还行，左下角这些基本就是细胞周期基因表达谱引起的聚类了，这就是我们要消除的影响

Seurat主要是在数据缩放过程中回归细胞周期分数，用到的仍然是ScaleData()函数，这一步中，对于每个基因，Seurat建模了基因表达值与S、G2M细胞周期分数之间的关系。模型的残差表示一个矫正后的表达矩阵，用于下游降维。

test.seu <- ScaleData(test.seu, vars.to.regress = c("S.Score", "G2M.Score"), features = rownames(test.seu))
#耗时较长

之后重新跑标准流程

test.seu <- RunPCA(test.seu, npcs = 50, verbose = FALSE)
test.seu <- FindNeighbors(test.seu, dims = 1:30)
test.seu <- FindClusters(test.seu, resolution = 0.4)test.seu <- RunUMAP(test.seu, dims = 1:30)
test.seu <- RunTSNE(test.seu, dims = 1:30)
DimPlot(test.seu,reduction = "umap",group.by = "Phase")

将新图和之前的图对比可以发现，此时细胞周期对聚类结果的影响已经减少了，不同时间点的细胞混合得更均匀，但也不是100%，没有工具可以保证这个效果

因水平有限，有错误的地方，欢迎批评指正！

单细胞分析实录(10): 消除细胞周期的影响相关推荐

单细胞分析实录(7): 差异表达分析/细胞类型注释
前面已经讲解了: 单细胞分析实录(1): 认识Cell Hashing 单细胞分析实录(2): 使用Cell Ranger得到表达矩阵单细胞分析实录(3): Cell Hashing数据拆分单细胞 ...
单细胞分析实录(14): 细胞类型注释的另一种思路 — CellID
之前写过一篇细胞类型注释的推文:单细胞分析实录(7): 差异表达分析/细胞类型注释,里面介绍了细胞类型注释的两种思路.在谈到自动注释时,我们基本都会用SingleR这个软件,类似的软件还有很多,原理上 ...
seurat提取表达矩阵_单细胞分析实录(5): Seurat标准流程
前面我们已经学习了单细胞转录组分析的:使用Cell Ranger得到表达矩阵和doublet检测,今天我们开始Seurat标准流程的学习.这一部分的内容,网上有很多帖子,基本上都是把Seurat官网P ...
单细胞分析实录(15): 基于monocle2的拟时序分析
关于什么是"拟时序分析",可以参考本期推送的另一篇推文.这一篇直接演示代码 monocle2这个软件用得太多了,很多文章都是monocle2的图.因为只使用表达矩阵作为输入,相比于 ...
单细胞分析实录(2): 使用Cell Ranger得到表达矩阵
Cell Ranger是一个"傻瓜"软件,你只需提供原始的fastq文件,它就会返回feature-barcode表达矩阵.为啥不说是gene-cell,举个例子,cell has ...
单细胞分析实录(8): 展示marker基因的4种图形（一）
今天的内容讲讲单细胞文章中经常出现的展示细胞marker的图:tsne/umap图.热图.堆叠小提琴图.气泡图,每个图我都会用两种方法绘制. 使用的数据来自文献:Single-cell transcr ...
单细胞分析实录(9): 展示marker基因的4种图形（二）
在上一篇中,我已经讲解了展示marker基因的前两种图形,分别是tsne/umap图.热图,感兴趣的读者可以回顾一下.这一节我们继续学习堆叠小提琴图和气泡图. 3. 堆叠小提琴图展示marker基因 ...
单细胞分析Seurat使用相关的10个问题答疑精选！
NGS系列文章包括NGS基础.转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这).ChIP-seq分析 (ChIP-seq基本分析流程).单细胞测序分析 (重磅综述:三万字长文读 ...
如何使用Bioconductor进行单细胞分析？
最近的技术进步使得能够在单个细胞中分析全基因组特征.但是,单细胞数据为分析提出了独特的挑战,需要开发专用的方法和数据架构才能成功解析数据背后的生物问题.Bioconductor项目托管了社区开发的开源 ...
含spike-in的单细胞分析
含spike-in的单细胞分析 #需要格外注意的一点是:如果实验设计中加入的spike-in #transcripts(比如ERCC),在比对时一定要将这些参考序列加入到我们的参考基因组中,再进行比对 ...

单细胞分析实录(10): 消除细胞周期的影响

单细胞分析实录(10): 消除细胞周期的影响相关推荐

最新文章

热门文章