从巨噬细胞macrophage_clean先去 除线粒体再提取AM1 AM2 AM3
从巨噬细胞macrophage_clean提取AM1 AM2 AM3
library(CellChat)
library(patchwork)
library(ggplot2)
library(ggalluvial)
library(svglite)
library(Seurat)
library(openxlsx)
library(harmony)
library(dplyr)
getwd()
path="G:/silicosis/sicosis/yll/macrophage/no cluster2/0.3/pure_cluster013_in_allmerge"
dir.create(path)
setwd(path)
#https://www.jianshu.com/p/cef5663888ff
load("G:/silicosis/sicosis/silicosis-1122-merge/silicosis_cluster_merge.rds")## 改路径
table(All.merge$cell.type)load("G:/silicosis/sicosis/yll/macrophage/no cluster2/macrophage_clean.rds")
table(subset_data$orig.ident)
getwd()
#macrophage_clean 分群情况
DimPlot(subset_data,label = TRUE)
FeaturePlot(subset_data,features = c('Fabp4','Hmox1','Ctsk','Fabp5','Chil3','S100a1','Wfdc21'))
DotPlot(subset_data,features = c('Fabp4','Hmox1','Ctsk','Chil3','S100a1','Wfdc21'))my015subsetdata=subset(subset_data,idents = c('0','1','4','5'))
subset_data=my015subsetdata
#重新分组 去除批次效应
if(1==1){#重新分组 去除批次效应subset_data[["percent.mt"]] <- PercentageFeatureSet(subset_data, pattern = "^mt-")VlnPlot(subset_data, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)subset_data = subset_data %>%Seurat::NormalizeData(verbose = FALSE) %>% FindVariableFeatures(selection.method = "vst", nfeatures = 2000) %>%ScaleData(verbose = FALSE) %>%RunPCA(npcs = 50, verbose = FALSE)ElbowPlot(subset_data, ndims = 50)VlnPlot(subset_data, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)subset_data <- subset_data %>% RunHarmony("stim", plot_convergence = TRUE)harmony_embeddings <- Embeddings(subset_data, 'harmony') #######################clusterdims = 1:30subset_data <- subset_data %>% RunUMAP(reduction = "harmony", dims = dims) %>% RunTSNE(reduction = "harmony", dims = dims) %>% FindNeighbors(reduction = "harmony", dims = dims)
}getwd()
DimPlot(subset_data,label = TRUE)
table(Idents(subset_data))#R中seurat包DimPlot如何根据不同的resolution画图 seurat查看某一分辨率下的dimplot
#树状图
library(clustree)
for (res in seq(0,0.8,0.1)) {subset_data=FindClusters(subset_data,graph.name = "RNA_snn",resolution = res,algorithm = 1)
}
subset_data=FindClusters(subset_data,resolution = 0.25)
apply(subset_data@meta.data[,grep("RNA_snn_res",colnames(subset_data@meta.data))],2,table)mytree=clustree(subset_data@meta.data,prefix="RNA_snn_res.")
mytreewhile (dev.off()) {dev.off()
}
DimPlot(subset_data,label = TRUE)
DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.5")
DotPlot(subset_data,group.by="RNA_snn_res.0.5",features = c('Car4','Ctsk','Chil3','S100a1','Wfdc21','Fabp5','Fabp4','Hmox1'))
DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.5")
DimPlot(subset_data,label = TRUE,split.by = 'stim',group.by="RNA_snn_res.0.4")subset_data=subset(subset_data,idents = c('0','1','2','3','4','5','7')) #去掉线粒体含量高的c6
#重新分组 去除批次效应
if(1==1){subset_data = subset_data %>%Seurat::NormalizeData(verbose = FALSE) %>% FindVariableFeatures(selection.method = "vst", nfeatures = 2000) %>%ScaleData(verbose = FALSE) %>%RunPCA(npcs = 50, verbose = FALSE)
ElbowPlot(subset_data, ndims = 50)
VlnPlot(subset_data, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)
subset_data <- subset_data %>% RunHarmony("stim", plot_convergence = TRUE)
harmony_embeddings <- Embeddings(subset_data, 'harmony')
#######################cluster
dims = 1:30
subset_data <- subset_data %>% RunUMAP(reduction = "harmony", dims = dims) %>% RunTSNE(reduction = "harmony", dims = dims) %>% FindNeighbors(reduction = "harmony", dims = dims)}subset_data=FindClusters(subset_data)
DimPlot(subset_data,label = TRUE)
DimPlot(subset_data,label = TRUE,split.by = 'stim')#0.5分辨率下 合并04 合并23
if(1==1){table(Idents(subset_data))Idents(subset_data)=subset_data@meta.data$RNA_snn_res.0.5table(Idents(subset_data))subset_data=RenameIdents(subset_data,'4'='0','3'='2')table(Idents(subset_data))AM_markers012=FindAllMarkers(subset_data,min.pct = 0.1,logfc.threshold = 0.5,only.pos = TRUE)getwd()write.xlsx(AM_markers012,file = "G:/silicosis/sicosis/yll/macrophage/no cluster2/0.3/pure_cluster013_in_allmerge/AM_Marker4-0=3-2.xlsx")
}#0.3分辨率下,合并3 0
if(1==1){table(Idents(subset_data))Idents(subset_data)=subset_data@meta.data$RNA_snn_res.0.3table(Idents(subset_data))DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.3")subset_data=RenameIdents(subset_data,'3'='0') #合并三群和0群 即 把3变为0table(Idents(subset_data))}#0.3分辨率下,合并2 0
if(1==1){table(Idents(subset_data))Idents(subset_data)=subset_data@meta.data$RNA_snn_res.0.3table(Idents(subset_data))DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.3")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.5")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.4")subset_data=RenameIdents(subset_data,'2'='0') #合并2群和0群 即 把2变为0 把table(Idents(subset_data))subset_data=RenameIdents(subset_data,'3'='2')DimPlot(subset_data,label = TRUE)DimPlot(subset_data,label = TRUE,split.by='stim')subset_data=RenameIdents(subset_data,'0'='AM1','2'='AM2','1'='AM3')#比例图ggplot(subset_data@meta.data, aes(x=Idents(subset_data), fill=stim)) + geom_bar(position = 'fill')#save(subset_data,file ="G:/silicosis/sicosis/yll/macrophage/no cluster2/0.3/pure_cluster013_in_allmerge/macrophage0.3combine2-0.rds" )
load(file = "G:/silicosis/sicosis/yll/macrophage/no cluster2/0.3/pure_cluster013_in_allmerge/macrophage0.3combine2-0.rds")
table(subset_data$orig.ident)
table(Idents(subset_data))}getwd()
#0.7分辨率下,合并3 2 0 4变为2
if(1==1){table(Idents(subset_data))Idents(subset_data)=subset_data@meta.data$RNA_snn_res.0.7table(Idents(subset_data))DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.3")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.5")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.4")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.6")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.7")subset_data=RenameIdents(subset_data,'2'='0','3'='0','4'='2') #合并2群和0群 即 把2变为0table(Idents(subset_data))
}#0.5分辨率下,合并3 2 0 4变为2
if(1==1){table(Idents(subset_data))Idents(subset_data)=subset_data@meta.data$RNA_snn_res.0.7table(Idents(subset_data))DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.2")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.25")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.3")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.5")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.4")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.6")DimPlot(subset_data, reduction = "umap",label = TRUE,group.by="RNA_snn_res.0.7")subset_data=RenameIdents(subset_data,'2'='0','3'='0','4'='2') #合并2群和0群 即 把2变为0table(Idents(subset_data))
}
#save(subset_data,file="G:/silicosis/sicosis/yll/macrophage/no cluster2/0.3/pure_cluster013_in_allmerge/macrophage_0145_noMT.rds")
load("G:/silicosis/sicosis/yll/macrophage/no cluster2/0.3/pure_cluster013_in_allmerge/macrophage_0145_noMT.rds")#比例图
ggplot(subset_data@meta.data, aes(x=RNA_snn_res.0.3, fill=stim)) + geom_bar(position = 'fill')ggplot(subset_data@meta.data, aes(x=Idents(subset_data), fill=stim)) + geom_bar(position = 'fill')FeaturePlot(subset_data,features = c('C1qa','C1qb','C1qc'))#查看markers
#Idents(subset_data)=subset_data@meta.data$RNA_snn_res.0.3
DimPlot(subset_data,label = TRUE)
AM_markers012=FindAllMarkers(subset_data,min.pct = 0.1,logfc.threshold = 0.5,only.pos = TRUE)
getwd()
write.xlsx(AM_markers012,file = "G:/silicosis/sicosis/yll/macrophage/no cluster2/0.3/pure_cluster013_in_allmerge/AM_Markero.3r_combine2-0.xlsx")
从巨噬细胞macrophage_clean先去 除线粒体再提取AM1 AM2 AM3相关推荐
- 《高等数学》学习笔记一:函数与极限
自学的,随便看看就行( 以前写的高中数学选修2-2学习笔记,也可以看看,不过是一些比较基础的东西,对做题没太大帮助( 一.函数与极限 1.1 函数的极限 1.1.1 函数极限的定义 1.1.1.1 相 ...
- Josh 的学习笔记之数字通信(Part 3——基带信号解调与检测)
文章目录 1. 信号和噪声 1.1 通信系统中差错性能的劣化 1.2 解调和检测 1.3 信号和噪声的矢量表示 1.3.1 信号波形的能量 1.3.2 广义傅里叶变换 1.3.3 用正交波形表示白噪声 ...
- 机器学习之重温线性代数
目录 一.矩阵的基本概念和意义 1.一种线性变换 2.加法与数乘 3.矩阵的乘法 二.矩阵运算在深度学习中的应用(初级) 1.数字图像识别 2.矩阵的迹,矩阵的转置,对称矩阵(协方差矩阵) 1.矩阵的 ...
- 人工智能数学基础之线性代数(二)
前言 本文只会记录人工智能中所用到的线性代数知识,并不会记录大学线性代数教材中的所有知识. 现在CSDN不能发超长的文章了,只能分成多篇发布. 人工智能数学基础之线性代数(一) 人工智能数学基础之线性 ...
- 高等数学---行列式,矩阵
1.排列及其逆序数 对n个不同元素,规定各元素间一个标准次序. 在n个元素任一排列中,某个元素的先后次序与标准次序不同时,构成一个逆序. 一个排列中逆序的总数,称为这个排列的逆序数. 定理-可证明 一 ...
- 《动手学深度学习(Dive into Deeplearning)》(第二版)——第二章 _2.3 线性代数
<动手学深度学习(Dive into Deeplearning)>(第二版)--第二章 _2.3 线性代数 第二章 预备知识 § 前情回顾 § 2.3 线性代数 2.3.1 标量 2.3. ...
- 计算机电源5v有多大电流,计算机电源多大?
选择电源.除了您看不到的内部组件的做工之和CPU电压调整范围考虑额外的功耗.在默认电压下,每超过100MHz的频率,CPU功耗就会增加4W.0.每增加1V电压,CPU功耗就会增加15W〜20W.2)再 ...
- TF-IDF和word2vec原理
@(NLP) 文本挖掘 文章目录 文本挖掘 1. 分词的基本原理 2. N元模型 3. 维特比算法与分词 4. 常用分词工具 (二)文本挖掘预处理之向量化与Hash Trick 1. 词袋模型 2. ...
- 强化学习课程学习(2)——必备数学基础集锦
在了解了深度学习的基本理论以后,可以开始不断的去深入了解背后的原理是什么.为什么图片能被计算机读取?为什么我们可以用CNN对成千上万中图片进行分类,这背后的原理是什么?在了解原理之前,因为无论是深度学 ...
- Vue项目的性能优化
目录 前言 一.代码层面的优化 1. **v-if 和 v-show 区分使用场景** 2. **computed 和 watch 区分使用场景** 3. **v-for 遍历必须为 item 添加 ...
最新文章
- 传感器标定两篇顶会论文解析
- Swift3.0和OC桥接方法
- springboot继承组件_SpringBoot如何扩展引入的组件,以及如何自动配置组件原理
- mapreduce程序输出评分8.6分以上的书名和评分_如何选编程入门资料?光评分高怎么够|文末赠书...
- #1097 : 最小生成树一·Prim算法
- hadoop(5)——mrjob的使用(1)——直接在本地测试
- LeetCode题库第867题 转置矩阵
- How myTask application is loaded in CreateFromAccount scenario
- iPhone传屏到android,冠树最新款2画面无线传屏设备,苹果/win系统电脑可以轻松快速无线传屏到投影...
- 华为荣耀5cvs华为v9play_华为荣耀v9play和荣耀9哪个好_华为荣耀v9play和荣耀9对比评测_飞翔教程...
- struts2 中文乱码问题,自定义过滤器通用解决方法
- 《Python 黑科技》10万粉丝头像千图成像(撩对象)
- HDU1161 Eddy's mistakes
- c#chart背景透明_C#+Layui开发后台管理系统
- html设置渐变色背景图片,css中渐变色作为背景图来使用总结
- 《人月神话》——一部被名字误导的软件开发的书——第一次阅读
- shell输出重定向
- exec还原oracle,详解通过Backup Exec来实施Oracle灾难恢复
- 小米php架构图,小米首页布局框架
- 阻抗匹配 及 SI9000 使用