跟着NC学pseudotime| monocle2 拟时序分析 + 树形图

简介: 跟着NC学pseudotime| monocle2 拟时序分析 + 树形图

本文首发于“生信补给站”公众号  https://mp.weixin.qq.com/s/u50VeedGKnsCGIB-XsM4cw


拟时(pseudotime)分析,又称细胞轨迹(cell trajectory)分析,根据不同细胞亚群基因表达量随时间的变化情况通过拟时分析可以来推断发育过程细胞的分化轨迹或细胞亚型的演化过程。并非一定要不同时间段做实验的结果,因为细胞本身存在拟时序变化,细胞是有变化的,可以做拟时序分析。


本期分享2020年的Nature Communications文章 Single-cell analysis reveals new evolutionary complexity in uveal melanoma中的拟时序分析结果图,常规可视化的基础上添加了树形图,更直观。



一 加载数据 R包


本次介绍monocle2进行拟时序分析

#BiocManager::install("monocle")
library(monocle)
#载入注释后的数据
load('pbmc_tutorial_singleR.RData')
pbmc
#An object of class Seurat 
#13714 features across 2638 samples within 1 assay 
#Active assay: RNA (13714 features, 2000 variable features)
# 3 dimensional reductions calculated: pca, umap, tsne

二 Monocle2分析


2.1 通过seurat结果导入数据


#Extract data, phenotype data, and feature data from the SeuratObject
data <- as(as.matrix(pbmc@assays$RNA@counts), 'sparseMatrix')
pd <- new('AnnotatedDataFrame', data = pbmc@meta.data)
fData <- data.frame(gene_short_name = row.names(data), row.names = row.names(data))
fd <- new('AnnotatedDataFrame', data = fData)
#构建S4对象,CellDataSet
HSMM <- newCellDataSet(data,
                              phenoData = pd,
                              featureData = fd,
                              lowerDetectionLimit = 0.5,
                              expressionFamily = negbinomial.size())


注意expressionFamily的选择:

单细胞稀疏矩阵的话用negbinomial.size(),如果是UMI的话不要标准化;

FPKM值用tobit();

logFPKM值用gaussianff()


2.2 估计size factors 和 dispersions (需要)

## 
HSMM <- estimateSizeFactors(HSMM)
HSMM <- estimateDispersions(HSMM)


2.3 过滤低质量细胞

HSMM <- detectGenes(HSMM, min_expr = 3 )
print(head(fData(HSMM)))
expressed_genes <- row.names(subset(fData(HSMM),
                                    num_cells_expressed >= 10))
head(pData(HSMM))


2.4 选择基因

diff_test_res <- differentialGeneTest(HSMM[expressed_genes,],
                                      fullModelFormulaStr = "~ seurat_clusters")
ordering_genes <- row.names (subset(diff_test_res, qval < 0.1)) ## 不要也写0.1 ,而是要写0.01。
HSMM <- setOrderingFilter(HSMM, ordering_genes)
plot_ordering_genes(HSMM)

这里选择基因的方式有很多,说明文档中建议以下4种选择基因的方式

(1)选择发育差异表达基因

(2)选择clusters差异表达基因

(3)选择离散程度高的基因

(4)自定义发育marker基因


2.5 降维 & 排序

HSMM <- reduceDimension(HSMM, max_components = 3,
                        num_dim = 20,
method = 'DDRTree') # DDRTree方式
HSMM <- orderCells(HSMM)


三 Monocle2可视化


3.1 基于各种“类型”可视化

有了树结构后,分类颜色是可以自己指定的。而且可以直接使用ggplot2的color设置,是不是觉得多了解一下ggplot2很有必要

详见:ggplot2|详解八大基本绘图要素

colour=c("#DC143C","#0000FF","#20B2AA","#FFA500","#9370DB","#98FB98","#F08080","#1E90FF","#7CFC00","#FFFF00",  
            "#808000","#FF00FF","#FA8072","#7B68EE","#9400D3","#800080","#A0522D","#D2B48C","#D2691E","#87CEEB","#40E0D0","#5F9EA0",
            "#FF1493","#0000CD","#008B8B","#FFE4B5","#8A2BE2","#228B22","#E9967A","#4682B4","#32CD32","#F0E68C","#FFFFE0","#EE82EE",
            "#FF6347","#6A5ACD","#9932CC","#8B008B","#8B4513","#DEB887")
a1 <- plot_cell_trajectory(HSMM, color_by = "seurat_clusters") + scale_color_manual(values = colour)
a2 <- plot_cell_trajectory(HSMM, color_by = "State") + scale_color_manual(values = colour)
a3 <- plot_cell_trajectory(HSMM, color_by = "Pseudotime") 
a4 <- plot_cell_trajectory(HSMM, color_by = "labels")  + scale_color_manual(values = colour)
(a1 + a2) / (a3 + a4)


分别为根据 seurat cluster ,State ,Pseudotime 和 singleR注释后的cell type 着色。


3.2 分面展示

可以使用分面单独查看各单一celltype的时序状态

#其他的类似
plot_cell_trajectory(HSMM, color_by = "labels") +
  facet_wrap(~labels, nrow = 2) #设置几行几列展示


3.3 添加“树形图”

基本展示完了,那如何得到文章中的结果呢?

此处需要plot_complex_cell_trajectory函数添加“树形图”即可

p1 <- plot_cell_trajectory(HSMM, x = 1, y = 2, color_by = "labels") + 
  theme(legend.position='none',panel.border = element_blank()) + #去掉第一个的legend
  scale_color_manual(values = colour) 
p2 <- plot_complex_cell_trajectory(HSMM, x = 1, y = 2,
                                   color_by = "labels")+
  scale_color_manual(values = colour) +
  theme(legend.title = element_blank())


p1 / p2


其中:p1中没有展示legend, p2去掉legend的legend.title 。ggplot2的函数可以无缝链接,不想看一下吗?

ggplot2|theme主题设置,详解绘图优化-“精雕细琢”


相关文章
|
XML 数据挖掘 Linux
服务器丨Linux安装测试单细胞分析软件copykat,遇到的常见报错与解决思路与方法
服务器丨Linux安装测试单细胞分析软件copykat,遇到的常见报错与解决思路与方法
|
数据可视化
R语言绘图教程丨Nature论文都在用的多组比较箱线图,自动计算显著性并标注,附带误差线
R语言绘图教程丨Nature论文都在用的多组比较箱线图,自动计算显著性并标注,附带误差线
|
12月前
|
数据可视化
Signac R|如何合并多个 Seurat 对象 (2)
Signac R|如何合并多个 Seurat 对象 (2)
316 11
Signac R|如何合并多个 Seurat 对象 (2)
|
数据可视化 数据库
scRNA分析|使用CellChat完成细胞通讯分析-简单且可视化出众,代码自取
scRNA分析|使用CellChat完成细胞通讯分析-简单且可视化出众,代码自取
2191 0
|
存储 数据可视化 算法
空间单细胞|基于图像的空间数据分析(2)
空间单细胞|基于图像的空间数据分析(2)
|
数据可视化 关系型数据库 数据挖掘
scRNA分析|一(尽)文(力)解决你的单细胞火山图问题
scRNA分析|一(尽)文(力)解决你的单细胞火山图问题
1283 0
|
搜索推荐 数据挖掘 Java
文献速读|7分的干湿结合胃癌单细胞联合bulk转录组+线粒体自噬
研究人员通过单细胞和bulk RNA测序,鉴定出18个线粒体自噬相关基因(MRGs),在胃癌中的预后作用。这些基因可能成为新的生物标志物和治疗靶点。分析显示GABARAPL2和CDC37在上皮细胞中高度表达,与免疫浸润和预后相关。构建的风险模型在多个独立队列中验证有效,表明MRGs可改善预后预测,并提示免疫治疗潜力。研究强调了单细胞分析在理解疾病复杂性和指导个性化治疗中的价值。
331 3
|
数据可视化 数据挖掘
PCA 解释方差骤降图(ElbowPlot)拐点的量化识别
本文分享了一种在R语言里面实现量化识别 PCA方差贡献肘部图(ElbowPlot)中拐点 的简单方法,以供学习参考 定
1712 0
|
数据可视化 数据挖掘 Linux
转录组下游分析丨利用limma包进行差异表达分析,结果可视化绘制火山图和热图
转录组下游分析丨利用limma包进行差异表达分析,结果可视化绘制火山图和热图
|
数据挖掘 atlas 数据库
单细胞工具箱|singleR-单细胞类型自动注释(含数据版)
单细胞工具箱|singleR-单细胞类型自动注释(含数据版)
2227 0