【SCENIC】Single Cell rEgulatory Network Inference and Clustering

最新推荐文章于 2024-04-27 10:08:27 发布

DerekRusso

最新推荐文章于 2024-04-27 10:08:27 发布

阅读量1.4k

点赞数

分类专栏： Gene Regulatory Network 文章标签： r语言

本文链接：https://blog.csdn.net/DerekRusso/article/details/124203672

版权

SCENIC是一个用于单细胞数据分析的工具，专注于构建细胞类型特异性的调控网络并进行细胞聚类。它通过GENIE3或GRNBoost2推断共表达网络，使用RcisTarget分析转录因子结合位点，然后利用AUCell识别细胞中的活性基因集。SCENIC的输入是scRNA-seq表达矩阵，并依赖于特定物种的数据库。经过一系列步骤，包括网络构建和细胞状态评估，SCENIC能够帮助发现细胞亚型和转录调控签名。

摘要由CSDN通过智能技术生成

前言：GRN究竟可以被用来做什么？在bulk GSVA学习时我也有过类似的困惑。在官方文档中，多次强调用GRN AUC去cluster，且效果比单纯基于表达量的降维聚类方法好，SCENIC不是文章做到最后充数的高级分析，而是发现 cell type-specific GRN, 后续聚类发现亚型的利器。

SCENIC in R有两个教程,第一个主要是简介、安装与读入，第二个是pipeline。

SCENIC的输入文件比较简单，scRNA的表达矩阵，列名细胞，行名gene symbol。在数据格式的问题上，作者比较自信，无论raw count、Seurat标准化还是TPM标准化，得到的结果都robust。

SCENIC依赖于三个R包以进行四个步骤：

（1）GENIE3 infers the co-expression network (faster alternative: GRNBoost2).但引入了较多假阳性，需要交到第二步进一步验证筛选。

（2）RcisTarget for the analysis of transcription factor binding motifs.个人认为应R-cis-Target比较合适。

（3）AUCell to identify cells with active gene sets (gene network) in scRNA. 这个AUCell和Seurat里的某个功能、bulk里的GSVA很像，用gene set打分。

（4）根据AUCell结果进行细胞聚类

安装包

if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager")
BiocManager::version()
BiocManager::install(c("AUCell", "RcisTarget"))
BiocManager::install(c("GENIE3"))

BiocManager::install(c("zoo", "mixtools", "rbokeh"))
BiocManager::install(c("DT", "NMF", "ComplexHeatmap", "R2HTML", "Rtsne"))
BiocManager::install(c("doMC", "doRNG"))
if (!requireNamespace("devtools", quietly = TRUE)) install.packages("devtools")
devtools::install_github("aertslab/SCopeLoomR", build_vignettes = TRUE)

if (!requireNamespace("devtools", quietly = TRUE)) install.packages("devtools")
devtools::install_github("aertslab/SCENIC") 
packageVersion("SCENIC")

下载物种特异性数据库

#人
dbFiles <- c("https://resources.aertslab.org/cistarget/databases/homo_sapiens/hg19/refseq_r45/mc9nr/gene_based/hg19-500bp-upstream-7species.mc9nr.feather",
"https://resources.aertslab.org/cistarget/databases/homo_sapiens/hg19/refseq_r45/mc9nr/gene_based/hg19-tss-centered-10kb-7species.mc9nr.feather")
# mc9nr: Motif collection version 9: 24k motifs

#mus musculus
dbFiles <- c("https://resources.aertslab.org/cistarget/databases/mus_musculus/mm9/refseq_r45/mc9nr/gene_based/mm9-500bp-upstream-7species.mc9nr.feather",
"https://resources.aertslab.org/cistarget/databases/mus_musculus/mm9/refseq_r45/mc9nr/gene_based/mm9-tss-centered-10kb-7species.mc9nr.feather")
# mc9nr: Motif collection version 9: 24k motifs

输入数据格式

输入数据为表达矩阵，行名gene symbol

(1)从GEO数据库下载

###下载数据
if (!requireNamespace("GEOquery", quietly = TRUE)) BiocManager::install("GEOquery")
library(GEOquery)

geoFile <- getGEOSuppFiles("GSE60361", makeDirectory=FALSE)
gzFile <- grep("Expression", basename(rownames(geoFile)), value=TRUE)
txtFile <- gsub(".gz", "", gzFile)
gunzip(gzFile, destname=txtFile, remove=TRUE)

library(data.table)
geoData <- fread(txtFile, sep="\t")
geneNames <- unname(unlist(geoData[,1, with=FALSE]))
exprMatrix <- as.matrix(geoData[,-1, with=FALSE])
rm(geoData)
dim(exprMatrix)
rownames(exprMatrix) <- geneNames
exprMatrix <- exprMatrix[unique(rownames(exprMatrix)),]
exprMatrix[1:5,1:4]

# Remove file downloaded:
file.remove(txtFile)

###细胞分组信息，直接包内下载省事
cellLabels <- paste(file.path(system.file('examples', package='AUCel