跟着Cell学单细胞转录组分析(七):细胞亚群分析及细胞互作

想获取更多，请至公众号-KS科研分享与服务-

其实之前我们细胞的分群是很粗糙的，只是一个大概的方向，随着深入的研究，需要对特定细胞的更多亚群进行分析，这里我们选择免疫细胞进行分析，主要是为了跟随文章的脚步，也好完成后续一些示例，比如细胞互作，转录因子、拟时分析等。

首先提取免疫细胞群，然后跑一遍Seurat流程，重新聚类分群。


library(Seurat)
immune <- subset(scedata, celltype=="Immune")
immune <- ScaleData(immune, vars.to.regress = c("nCount_RNA", "percent.mt"), verbose = FALSE)
immune <- FindVariableFeatures(immune, nfeatures = 4000)
immune <- RunPCA(immune, npcs = 50, verbose = FALSE)
immune <- FindNeighbors(immune, reduction = "pca", dims = 1:50)
immune <- FindClusters(immune, resolution = seq(from = 0.1, to = 1.0, by = 0.2))
immune <- RunUMAP(immune, reduction = "pca", dims = 1:50)
library(clustree)
clustree(immune)
Idents(immune) <- "RNA_snn_res.0.5"
immune$seurat_clusters <- immune@active.ident
DimPlot(immune, label = T,pt.size = 1)

查看下免疫细胞marker的表达。


immune_cellmarker <- c("CD3D",'CD3E','CD2',"CD4","CD8A",#T cell'CD79A','MZB1','MS4A1','CD79B',#B cell'FOXP3',"IL32",'TNFRSF18','TNFRSF4',#Treg'IL17A','IL17F','CD40LG',#Th17'S100A8','CXCL8','SOD2','NAMPT',#Neutrophil'SEPP1','C1QA','APOE','CD14','RNASE1',#Macrophage'TPSAB1','TPSB2','CPA3','HPGDS',#Mast'HLA-DRA','HLA-DPB1','CST3','HLA-DPA1',#mDC'PTGDS','SOX4','GZMB','IRF7',#pDC'IGHA1','IGHG1',"IGHG2",#Plasma'KLRF1','KLRD1','XCL2','XCL1'#NK)
library(ggplot2)
DotPlot(immune, features = immune_cellmarker)+theme_bw()+theme(panel.grid = element_blank(), axis.text.x=element_text(hjust = 1,vjust=0.5,angle=90))+labs(x=NULL,y=NULL)+guides(size=guide_legend(order=3))+scale_color_gradientn(values = seq(0,1,0.2),colours = c('#330066','#336699','#66CC66','#FFCC33'))

然后对细胞进行定群。


immune <- subset(immune, idents = c("1","8","9"), invert = TRUE)
new.cluster.ids <- c("0"="Macrophage", "2"="T cell", "3"="Macrophage", "4"="mDC", "5"="Neutrophil", "6"="Macrophage", "7"="Macrophage", "10"="Mast")
immune <- RenameIdents(immune, new.cluster.ids)
immune$celltype <- immune@active.ident
DimPlot(immune, label = T,pt.size = 1,group.by = "celltype")

以上并不是新内容，亚群分析之后还可以和之前一样，做比例等。不过今天这里我们演示下细胞互作，用Cellcall这个比较简单的包。

=============================================

将GM和BM分开做互作，可以看看不同状态下细胞互作之间的区别。


library(devtools)
devtools::install_github("ShellyCoder/cellcall")
library(cellcall)
GM_immune <- subset(immune, group=="GM")
test <- CreateObject_fromSeurat(Seurat.object= GM_immune, #seurat对象slot="counts", cell_type="celltype", #细胞类型data_source="UMI",scale.factor = 10^6, Org = "Homo sapiens") #物种信息
mt <- TransCommuProfile(object = test,pValueCor = 0.05,CorValue = 0.1,topTargetCor=1,p.adjust = 0.05,use.type="median",probs = 0.9,method="mean",IS_core = TRUE,Org = 'Homo sapiens')#有多少细胞类型就设置多少个颜色
cell_color <- data.frame(color=c("#FF34B3","#BC8F8F","#20B2AA","#00F5FF","#FFA500"), stringsAsFactors = FALSE)
rownames(cell_color) <- c("Macrophage","T cell","mDC","Neutrophil","Mast")
#绘制互作图
ViewInterCircos(object = mt, font = 2, cellColor = cell_color, lrColor = c("#F16B6F", "#84B1ED"),arr.type = "big.arrow",arr.length = 0.04,trackhight1 = 0.05, slot="expr_l_r_log2_scale",linkcolor.from.sender = TRUE,linkcolor = NULL, gap.degree = 0.5, #细胞类型多的话设置小点，不然图太大画不出来trackhight2 = 0.032, track.margin2 = c(0.01,0.12), DIY = FALSE)#可视化互作受配体关系
viewPheatmap(object = mt, slot="expr_l_r_log2_scale", show_rownames = T,show_colnames = T,treeheight_row=0, treeheight_col=10,cluster_rows = T,cluster_cols = F,fontsize = 12,angle_col = "45",  main="score")

BM的互作结果为，变化还是挺大的。

除了这些，cellcall还可以做其他的事情，具体参考：

https://github.com/ShellyCoder/cellcall

做细胞互作的工具很多，比如iTALK，Cellchat，CellphoneDB等，感兴趣的可以自己取探索下。好了，今天的分享就到这里了，其实这篇分享不是很严谨，主要是演示单细胞数据进一步分析思路，希望对大家有启发。

跟着Cell学单细胞转录组分析(七):细胞亚群分析及细胞互作相关推荐

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(十二):转录因子分析
转录因子分析可以了解细胞异质性背后的基因调控网络的异质性.转录因子分析也是单细胞转录组常见的分析内容,R语言分析一般采用的是SCENIC包,具体原理可参考两篇文章.1.<SCENIC : sin ...
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. ...
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AddModuleScor ...
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 ...
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. ...
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 ...
跟着Cell学作图 | 12.韦恩图(Vennerable包)
"实践是检验真理的唯一标准." "复现是学习生信的最好办法." 2021.4.12_1 DOI: 10.1016/j.cell.2020.05.032 这篇20 ...

跟着Cell学单细胞转录组分析(七):细胞亚群分析及细胞互作

跟着Cell学单细胞转录组分析(七):细胞亚群分析及细胞互作相关推荐

最新文章

热门文章