跟着Cell学单细胞转录组分析(十一):单细胞基因评分|AUCell评分
更多精彩请至我的公众号《KS科研分享与服务》
第一次接触基因评分是在一篇文章中,也不知道这样的叫法对不对,作者选定了几个炎症基因,利用seurat包的一个打分函数AddModuleScore,依据基因的平均表达水平进行分析,最后得到的score称为炎症分数,其实这样的叫法有点欠缺,但是有这样的做法。(演示数据没有意义)
选择基因进行计算。
DefaultAssay(immune) <- "RNA"
cd_features <- list(c('TNF','CCL2','CCL3','CCL4','CXCL10','S100A8','CXCL1'
))Inscore <- AddModuleScore(immune,features = cd_features,ctrl = 100,name = "CD_Features")
colnames(Inscore@meta.data)
colnames(Inscore@meta.data)[27] <- 'Inflammatory_Score'
其实构建了一个Inscore的seurat对象,对其进行可视化。
VlnPlot(Inscore,features = 'Inflammatory_Score', pt.size = 0, adjust = 2,group.by = "orig.ident")
将其映射到UMAP,更加直观。
library(ggplot2)
mydata<- FetchData(Inscore,vars = c("UMAP_1","UMAP_2","Inflammatory_Score"))
a <- ggplot(mydata,aes(x = UMAP_1,y =UMAP_2,colour = Inflammatory_Score))+geom_point(size = 1)+scale_color_gradientn(values = seq(0,1,0.2),colours = c('#333366',"#6666FF",'#CC3333','#FFCC33'))
a+ theme_bw() + theme(panel.grid.major = element_blank(),panel.grid.minor = element_blank(), axis.line = element_line(colour = "black"),panel.border = element_rect(fill=NA,color="black", size=1, linetype="solid"))
箱线图展示不同组织之间的评分差异。
data<- FetchData(Inscore,vars = c("group","Inflammatory_Score"))
ggplot(data, aes(x=group,y=`Inflammatory_Score`)) +theme_bw()+RotatedAxis()+theme(panel.grid = element_blank(),axis.text.x=element_text(angle=10,hjust = 1,vjust=0.5))+labs(x=NULL,y=NULL,title = "Regulation of necroptotic process")+ geom_jitter(col="#00000033", pch=19,cex=2.5, position = position_jitter(0.2))+geom_boxplot(position=position_dodge(0),aes(color = factor(group)))+NoLegend()+theme(plot.title = element_text(hjust = 0.5)) #也就加上这一行,标题居中
=======================================================================
AddModuleScore函数仅仅是对选定的基因进行评分,其意义有限。而另一种对基因集的打分方式---AUCell,可以鉴定某个通路活跃的基因集在细胞群上的展示,也可以理解为对通路活性的评分。初次看到这个还是在一篇NM的文章里,用了大量的AUCell分析,可以学习一下。
首先安装AUCell这个包,并加载相关R包。
if (!requireNamespace("BiocManager", quietly = TRUE))install.packages("BiocManager")
BiocManager::install("AUCell",force = TRUE)
library(AUCell)
library(clusterProfiler)
对细胞表达矩阵排列,下载GSEA基因集文件,网址:http://www.gsea-msigdb.org/gsea/downloads.jsp,选择自己需要关注的板块。进行评分计算。
cells_rankings <- AUCell_buildRankings(immune@assays$RNA@data)
Hallmarker <- read.gmt("h.all.v7.5.1.symbols.gmt")
geneSets <- lapply(unique(Hallmarker$term), function(x){print(x);Hallmarker$gene[Hallmarker$term == x]})
names(geneSets) <- unique(Hallmarker$term)
cells_AUC <- AUCell_calcAUC(geneSets, cells_rankings, aucMaxRank=nrow(cells_rankings)*0.1)
选定某一个需要关注的通路,进行可视化。
##set gene set of interest here for plotting
geneSet <- "HALLMARK_TNFA_SIGNALING_VIA_NFKB"
aucs <- as.numeric(getAUC(cells_AUC)[geneSet, ])
immune$AUC <- aucslibrary(ggraph)
ggplot(data.frame(immune@meta.data, immune@reductions$umap@cell.embeddings), aes(UMAP_1, UMAP_2, color=AUC)
) + geom_point( size=1.5
) + scale_color_viridis(option="A") + theme_light(base_size = 15)+labs(title = "TNFA_SIGNALING_VIA_NFKB")+theme(panel.border = element_rect(fill=NA,color="black", size=1, linetype="solid"))+theme(plot.title = element_text(hjust = 0.5))
以上就是今天的分享了,关键是要找到合适的基因应用到具体的研究,找好需要的基因集。
跟着Cell学单细胞转录组分析(十一):单细胞基因评分|AUCell评分相关推荐
- 跟着Cell学单细胞转录组分析(五):单细胞转录组marker基因鉴定及细胞群注释
书接上回(跟着Cell学单细胞转录组分析(四):单细胞转录组测序UMAP降维聚类).完成数据降维和细胞聚类后,最主要的环节和工作就是确定各个细胞群,明确是什么类型的细胞,正群的细胞定群很关键,涉及到整 ...
- 跟着Cell学单细胞转录组分析(八):单细胞转录组差异基因分析及多组结果可视化
接着单细胞下游分析: 从Cell学单细胞转录组分析(一):开端!!! 跟着Cell学单细胞转录组分析(二):单细胞转录组测序文件的读入及Seurat对象构建 跟着Cell学单细胞转录组分析(三):单细 ...
- 跟着Cell学单细胞转录组分析(十三):单细胞GSVA分析|这个包涵盖大多数物种
之前我们发过GSVA分析(有了这个包,猪的GSEA和GSVA分析也不在话下(第一集),[后续来了]有了这个包,猪的GSEA和GSVA分析也不在话下(第二集)),接着单细胞系列,重新说一下GSVA分析. ...
- 从Cell学单细胞转录组分析(一):开端
你们要的单细胞转录组分析系列它来了!!!这个系列会很长,但是我们相信,从开端到结束,你一定能够上手单细胞转录组的分析! 单细胞测序的发展时至今日,已经非常成熟了,无论是细胞的捕获.还是建库.后期数据分 ...
- 中科院单细胞分析算法开发博士带你做单细胞转录组分析
" 福利公告:为了响应学员的学习需求,经过易生信培训团队的讨论筹备,现决定安排扩增子16S分析.宏基因组和Python课程的线上直播课.报名参加线上直播课的老师可在1年内选择参加同课程的一次 ...
- 跟着Cell学作图|9.PPI分析(GeNets数据库)
9.PPI分析(GeNets数据库) "实践是检验真理的唯一标准." "复现是学习R语言的最好办法." DOI: 10.1016/j.cell.2020.05. ...
- 单细胞转录组分析R包安装
下载了R语言和Rstudio以后,要进行单细胞转录组分析,首先要下载安装单细胞转录组分析所需的R包,这些包分为用install.package命令可以直接从CRAN下载安装的基础包.用BioManag ...
- 跟着Cell学作图 | 5.UMAP降维分析
跟着 Cell 学作图 | 5.UMAP降维分析 "实践是检验真理的唯一标准." "复现是学习R语言的最好办法." 2021.4.12_1 DOI: 10.10 ...
- SCS【13】单细胞转录组之识别细胞对“基因集”的响应 (AUCell)
点击关注,桓峰基因 桓峰基因公众号推出单细胞系列教程,有需要生信分析的老师可以联系我们!首选看下转录分析教程整理如下: Topic 6. 克隆进化之 Canopy Topic 7. 克隆进化之 Car ...
最新文章
- zabbix 安装_zabbix系列(五) Grafana4.6.3+Zabbix 的安装部署
- http请求中的Query String Parameters、Form Data、Request Payload
- 如何使用GZip和Jersey压缩Java REST API中的响应
- 一个通用纯C队列的实现
- C#灰度图转伪彩色图
- 蓝桥杯 ADV-156算法提高 分分钟的碎碎念(动态规划)
- php mysql多条件查询界面_PHP组合查询多条件查询实例代码
- MSN退休,寻找微软如何融合MSN的答案:体验skype6国际版MSN功能。
- 手把手教你申请计算机软件专利著作权(3)——软件使用说明书
- 稚晖君教你制作全球最迷你的自平衡机器人
- Halcon教程十一:小球识别,初识腐蚀与膨胀,开运算和闭运算
- iWebShop 二次开发之商城后台模板渲染流程
- 【个人学习文章收集】
- android l root 方法,安卓L怎么Root 新版Android L一键root教程
- 图像处理/计算机视觉/python环境下如何用滤波器、算法恢复图片,对图片去污【附代码】
- 29(将数字字符串转换成数字)
- What is the Softmax Function?详解机器学习中的Softmax函数【小白菜可懂】
- Dubbo Admin 发布 v0.1;VMware 或与微软放下恩怨展开合作
- 资深美女基金经理首次分享基金知识,好评如潮!!!
- 部署AlphaSSL