使用 Seurat 处理多模态数据

于 2024-08-09 22:24:17 发布
阅读量595 收藏 12
点赞数 22
分类专栏： RNA-seq分析 文章标签： Rstudio 单细胞 RNA-seq multimodal 全网 最详细 seuratv5
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ZxVSaccount/article/details/141072043
版权

文章目录

前言

“Multimodal analysis”（多模态分析）指的是同时整合和分析多种不同类型的数据模式。这可能包括但不限于以下几种组合：

  • 基因表达数据（如 RNA 测序数据）与蛋白质表达数据的结合分析。
  • 基因表达数据与细胞表面标志物数据（如通过抗体检测得到的数据）的联合分析。
  • 不同组学数据（如转录组学和蛋白质组学数据）的综合考量。

通过多模态分析，可以更全面、综合地了解细胞的特征和状态，发现不同数据模式之间的关联和协同关系，从而获得更深入、更全面的生物学见解。

一、Multimodal analysis有什么用?

Seurat v5中的多模式分析可以更全面地理解和解释单细胞转录组和蛋白质组数据，从而提供对细胞类型、基因-蛋白网络、信号通路和功能注释的更深入理解。主要有以下用处?

  1. 细胞类型识别：多模式分析可以结合转录组和蛋白质组数据，帮助确定单个细胞的类型。通过比较转录组和蛋白质组之间的差异，可以更准确地确定细胞群的身份。

  2. 基因-蛋白互作网络分析：多模式分析可以帮助研究人员探索基因和蛋白之间的相互作用。通过将转录组和蛋白质组数据整合在一起，可以建立细胞内基因-蛋白网络，并分析其在细胞功能和疾病发展中的作用。

  3. 信号通路分析：多模式分析有助于研究细胞信号通路的活动。通过分析蛋白质组数据，可以确定不同信号通路的活性水平，并与转录组数据相结合，了解细胞信号传导的动态变化。

  4. 功能注释：多模式分析可以帮助研究人员对细胞功能进行注释。通过整合转录组和蛋白质组数据，可以更全面地了解细胞功能、代谢途径和细胞功能的潜在机制。

二、代码复现

以下代码来自于seuratv5官网,有兴趣的朋友们可以去官网更加详细的了解一下

1.数据的导入

代码如下（示例）：

library(Seurat)
library(ggplot2)
library(patchwork)

# 请注意，此数据集还包含约 5%的小鼠细胞，我们可以将其用作蛋白质测量的阴性对照。因此，基因表达矩阵在每个基因的开头都附加了“HUMAN_”或“MOUSE_”
# RNA测量
cbmc.rna <- as.sparse(read.csv(file = "G:/R/multi-modal_data/GSE100866_CBMC_8K_13AB_10X-RNA_umi.csv.gz",
                               sep = ",", header = TRUE, row.names = 1)) # 函数将读取的数据转换为稀疏矩阵形式

# 舍弃除前 100 个表达量最高的小鼠基因之外的所有基因,并且从 CITE-seq 前缀中移除“HUMAN_”
cbmc.rna <- CollapseSpeciesExpressionMatrix(cbmc.rna)

# ADK -- 抗体衍生标签
cbmc.adt <- as.sparse(read.csv(file = "G:/R/multi-modal_data/GSE100866_CBMC_8K_13AB_10X-ADT_umi.csv.gz",
                               sep = ",", header = TRUE, row.names = 1))
# 注意: 由于测量是在相同的细胞中进行的,所有稀疏矩阵具有相同的列名
all.equal(colnames(cbmc.rna), colnames(cbmc.adt))

# 最后的结果是两个稀疏矩阵

2.构建seurat对象,并添加RNA和protein数据

代码如下（示例）：

cbmc <- CreateSeuratObject(counts = cbmc.rna)

# 我们可以看到，默认情况下，cbmc 对象包含一个用于存储 RNA 测量值的检测。
Assays(cbmc)

# 创建一个新的检测来存储 ADT 信息
adt_assay <- CreateAssay5Object(counts = cbmc.adt)
cbmc[['ADT']] <- adt_assay
# 验证该对象现在包含多个检测分析
Assays(cbmc)
# 提取在 ADT 检测中测量的特征列表 
rownames(cbmc[['ADT']])

# 我们可以在这两种测定之间轻松地来回切换，以指定用于可视化和分析的默认值
DefaultAssay(cbmc)

# Switch the default to ADT
DefaultAssay(cbmc) <- "ADT"
DefaultAssay(cbmc)

3.根据其单细胞 RNA 测序（scRNA-seq）图谱对细胞进行聚类

代码如下（示例）：

# 注意以下所有操作均在 RNA 检测集上执行，并验证默认检测为 RNA
cbmc <- NormalizeData(cbmc)
cbmc <- FindVariableFeatures(cbmc)
cbmc <- ScaleData(cbmc)
cbmc <- RunPCA(cbmc, verbose = FALSE)
cbmc <- FindNeighbors(cbmc, dims = 1:30)
cbmc <- FindClusters(cbmc, resolution = 0.8, verbose = FALSE)
cbmc <- RunUMAP(cbmc, dims = 1:30)
DimPlot(cbmc, label = TRUE)

请添加图片描述

4.并排可视化多种模态

代码如下（示例）：

# 注意在某些情况下，相同的特征可能存在于多种模式中——例如，此数据集包含 B 细胞标志物 CD19 的独立测量值（包括蛋白质和 RNA 水平）
DefaultAssay(cbmc) <- 'ADT'
cbmc <- NormalizeData(cbmc,normalization.method = 'CLR', # 表示使用“中心对数比（Centered Log Ratio）”方法进行归一化
                      margin = 2) # 表示沿着矩阵的列（即基因维度）进行归一化操作。通过这种归一化，可以使数据在一定程度上标准化，以便后续更好地进行分析和比较

# DefaultAssay(cbmc) <- 'RNA'
# 这是归一化的另一种方法,得到的结果是相同的
# cbmc <- NormalizeData(cbmc, normalization.method = "CLR", margin = 2, assay = "ADT") # 这里只针对ADT进行归一化

4.1.1可视化RNA和蛋白质水平,这里检测的基因CD19在蛋白质和RNA中均有表达

DefaultAssay(cbmc) <- "ADT"
p1 <- FeaturePlot(cbmc, "CD19", cols = c("lightgrey", "darkgreen")) + ggtitle("CD19 protein")
DefaultAssay(cbmc) <- "RNA"
p2 <- FeaturePlot(cbmc, "CD19") + ggtitle("CD19 RNA")
p1 | p2

4.1.2 我们可以使用特定的检测键来指定特定的模式 确定 RNA 和蛋白质检测的键

Key(cbmc[["RNA"]])
Key(cbmc[["ADT"]])
p1 <- FeaturePlot(cbmc, "adt_CD19", cols = c("lightgrey", "darkgreen")) + ggtitle("CD19 protein")
p2 <- FeaturePlot(cbmc, "rna_CD19") + ggtitle("CD19 RNA")
p1 | p2

请添加图片描述

5.确定用于单细胞 RNA 测序（scRNA-seq）簇的细胞表面标志物

# 我们可以利用我们成对的 CITE-seq 测量来帮助注释源自 scRNA-seq 的簇，并识别蛋白质和 RNA 标记
# 正如我们所知，CD19 是 B 细胞标志物，我们可以确定第 6 簇在表面表达 CD19
VlnPlot(cbmc,'adt_CD19')

# 我们还可以通过差异表达为这个簇识别替代的蛋白质和 RNA 标记物
adt_markers <- FindMarkers(cbmc, ident.1 = 6, assay = "ADT")
rna_markers <- FindMarkers(cbmc, ident.1 = 6, assay = "RNA")

请添加图片描述

head(adt_markers)
               p_val avg_log2FC pct.1 pct.2     p_val_adj
CD19   2.067533e-215  2.5741873     1     1 2.687793e-214
CD45RA 8.106076e-109  0.5300346     1     1 1.053790e-107
CD4    1.123162e-107 -1.6707420     1     1 1.460110e-106
CD14   7.212876e-106 -1.0332070     1     1 9.376739e-105
CD3     1.639633e-87 -1.5823056     1     1  2.131523e-86
CCR5    2.552859e-63  0.3753989     1     1  3.318716e-62
head(rna_markers)
      p_val avg_log2FC pct.1 pct.2 p_val_adj
IGHM      0   6.660187 0.977 0.044         0
CD79A     0   6.748356 0.965 0.045         0
TCL1A     0   7.428099 0.904 0.028         0
CD79B     0   5.525568 0.944 0.089         0
IGHD      0   7.811884 0.857 0.015         0
MS4A1     0   7.523215 0.851 0.016         0

6.多模态数据的附加可视化

# 绘制 ADT 散点图（例如用于流式细胞术的双轴图）
FeatureScatter(cbmc,feature1 = 'adt_CD19',feature2 = 'adt_CD3')

请添加图片描述

# 查看蛋白质和RNA之间的关系
FeatureScatter(cbmc,feature1 = 'adt_CD3',feature2 = 'rna_CD3E')

请添加图片描述

# 让我们看一下原始（未标准化的）ADT 计数。您可以看到这些值相当高，特别是与 RNA 值相比。这是由于细胞中蛋白质的拷贝数显著更高，这显著减少了 ADT 数据中的“缺失值”
FeatureScatter(cbmc, feature1 = "adt_CD4", feature2 = "adt_CD8")|
  FeatureScatter(cbmc, feature1 = "adt_CD4", feature2 = "adt_CD8", slot = "counts")

请添加图片描述

7.从 10X 多模态实验加载数据

# Seurat 还能够分析使用 CellRanger v3 处理的多模态 10X 实验的数据；例如，我们使用一个 7900 个外周血单个核细胞（PBMC）的数据集重新创建上述图表，该数据集可从 10X Genomics 在此处免费获取
pbmc10k.data <- Read10X(data.dir = "/pbmc10k/filtered_feature_bc_matrix/")
rownames(x = pbmc10k.data[["Antibody Capture"]]) <- gsub(pattern = "_[control_]*TotalSeqB", replacement = "",
                                                         x = rownames(x = pbmc10k.data[["Antibody Capture"]]))

pbmc10k <- CreateSeuratObject(counts = pbmc10k.data[["Gene Expression"]], min.cells = 3, min.features = 200)
pbmc10k <- NormalizeData(pbmc10k)
pbmc10k[["ADT"]] <- CreateAssayObject(pbmc10k.data[["Antibody Capture"]][, colnames(x = pbmc10k)])
pbmc10k <- NormalizeData(pbmc10k, assay = "ADT", normalization.method = "CLR")

plot1 <- FeatureScatter(pbmc10k, feature1 = "adt_CD19", feature2 = "adt_CD3", pt.size = 1)
plot2 <- FeatureScatter(pbmc10k, feature1 = "adt_CD4", feature2 = "adt_CD8a", pt.size = 1)
plot3 <- FeatureScatter(pbmc10k, feature1 = "adt_CD3", feature2 = "CD3E", pt.size = 1)
(plot1 + plot2 + plot3) & NoLegend()

plot <- FeatureScatter(cbmc, feature1 = "adt_CD19", feature2 = "adt_CD3") + NoLegend() + theme(axis.title = element_text(size = 18),
                                                                                               legend.text = element_text(size = 18))
ggsave(filename = "../output/images/citeseq_plot.jpg", height = 7, width = 12, plot = plot, quality = 50)

总结（数据领取处）

链接：百度网盘
提取码：bui1

莘薪
关注
专栏目录
Seurat4.0 2多模式数据联合分析
zhengxj_的博客
09-02 157
去3
单细胞多组学整合与对齐的计算方法
hlllllllhhhhh的博客
02-26 712
最近发展起来的生成单细胞基因组数据的技术在生物学领域产生了革命性的影响。多组学测定提供了更大的机会来理解细胞状态和生物过程。然而，整合具有非常不同维度和统计特性的不同组学数据的问题仍然非常具有挑战性。为此任务正在开发越来越多的计算工具，利用了从机器翻译到网络理论的思想，代表着生物学和数据科学交叉口上的又一个前沿。我们在这篇综述中的目标是全面、及时地调查用于整合单细胞多组学数据的计算技术，同时使每种算法背后的概念易于理解，适用于非专业人士。
Seurat Tutorial 8：多模态参考映射
weixin_45851732的博客
10-04 247
中，我们映射了一个包含正在发育和分化的中性粒细胞的 query 数据集，这些细胞未包含在我们的 reference 中。），并可视化预先计算的 UMAP。在 Seurat v4 中，我们大幅提高了集成任务（包括 reference mapping）的速度和内存要求，并且还包含将 query cells 投影到先前计算的 UMAP 可视化上的新功能。我们强调，如果用户尝试映射基础样本不是 PBMC 的数据集，或者包含 reference 中不存在的细胞类型，则计算“从头”可视化是解释其数据集的重要一步。
多模态数据整合
生信小博士的博客
03-06 482
Compiled: 2022-01-11Source: vignettes/multimodal_vignette.RmdThe ability to make simultaneous measurements of multiple data types from the same cell, known as multimodal analysis, represents a new and exciting frontier for single-cell genomics. For example
单细胞分析｜将 Seurat 与多模态数据结合使用
冷冻工厂
03-14 1105
中，我们介绍了创建多模态 Seurat 对象并执行初始分析的工作流程。我们注意到，Seurat 还支持更先进的技术来分析多模态数据，特别是我们的加权最近邻 (WNN) 方法的应用，该方法能够基于两种模态的加权组合同时对细胞进行聚类。重要的是，Seurat 提供了几种在模态之间切换的方法，并指定您有兴趣分析或可视化的模态。在这里，我们分析了 8,617 个脐带血单核细胞 (CBMC) 的数据集，其中转录组测量与 11 种表面蛋白的丰度估计值配对，其水平通过 DNA 条形码抗体进行量化。10X多模态数据加载。
Seurat对象与数据预处理：规范化、归一化与批次效应校正
Seurat对象是Seurat包中定义的数据结构，用于存储和管理单细胞数据，并提供各种函数和方法用于数据处理、分析和可视化。 1.2 Seurat对象在单细胞数据分析中的作用 Seurat对象在单细胞数据分析中扮演着重要的角色，...
Seurat对象与深度学习的结合：探索AI在单细胞数据分析中的潜力
其核心概念是Seurat对象，通过这一数据结构，可以方便地进行单细胞数据的质控、降维、聚类等分析过程。 ### 深度学习在生物信息学中的应用背景 深度学习作为人工智能领域的热门技术，也在生物信息学中得到了广泛的...
大型单细胞数据分析解决方案.docx
10-26
尽管本文仅讨论了涉及单一模态数据的大规模单细胞分析，但实际上，多模态数据分析和机器学习技术同样是该领域的研究热点。随着技术的不断进步，未来将会有更多创新性的解决方案出现，帮助研究人员更好地应对日益增长...
c#实现俄罗斯方块，面向对象实现
09-15
俄罗斯方块（Tetris）是一款经典的益智游戏，由俄罗斯程序员阿列克谢·帕基特诺夫于1984年开发。游戏的主要目标是通过旋转和移动不同形状的方块（称为“砖块”或“Tetrominoes”），将它们填充到屏幕底部的水平行中。当一行被完全填满时，该行会消失，玩家将获得积分。 游戏特点： 砖块形状：游戏中有七种不同形状的砖块，每种砖块由四个方块组成。 下落机制：砖块从屏幕顶部逐渐下落，玩家需要快速做出决策。 得分系统：消除的行越多，得分越高，连续消除多行会获得额外分数。 难度递增：随着游戏进行，砖块下落的速度会逐渐加快，增加了游戏的挑战性。 文化影响： 俄罗斯方块不仅在游戏界取得了巨大的成功，还成为了流行文化的一部分，影响了许多后续的游戏设计。它的简单性和上瘾性使其成为了历史上最畅销的电子游戏之一。 版本与平台： 自发布以来，俄罗斯方块已经在多个平台上推出，包括家用游戏机、电脑、手机等，形成了众多不同的版本和变种。
5G网络优化案例：关于解决诺基亚5G 700M站点小区闪断问题解决.pdf
09-15
这份文件是关于解决诺基亚5G 700M站点小区闪断问题的详细案例报告，主要内容和关键要点如下： 问题背景与初步分析： 问题描述：随着5G 700M网络建设的推进，诺基亚700M现网出现较多误码告警和小区闪断问题，故障比例明显高于其他厂家站点。 初步定位：通过归类法分析，发现绝大部分误码问题发生在烽火单芯双向光模块小区，占比高达95.65%。 故障根因深入探究： 光模块适配问题：初步认为烽火单纤双向光模块存在问题，但更换后问题依旧，进一步分析为光模块与诺基亚设备的适配问题。 深入测试与定位：选取5个长期误码小区进行深入分析，与烽火厂家合作对光模块进行程序升级，问题得到初步解决。 AUTOBYPASS机制分析： 机制介绍：烽火光模块采用25G模块速率兼容10G，并开启AUTOBYPASS（CPR自动旁路模式）功能。 影响分析：AUTOBYPASS机制与诺基亚设备不适配，导致交互失败和误码产生。关闭AUTOBYPASS后，CDR时钟校验和恢复周期缩短，交互频繁，误码问题消失。 解决方案与实施： 解决方案：针对所有使用此类光模块的诺基亚站点，通过优化升级烽火光模块，关闭AUTOBYPASS功
在线请假管理系统.zip
09-15
这是一个基于Python Flask的Web应用程序，采用Bulma uI框架和Postgresql数据库，用于管理和处理员工的请假事宜。用户可以通过这个系统创建安全的用户账户并登录，员工可以提交请假申请等待上级审批，并查看历史请假记录。经理可以审批或拒绝员工的请假申请，并查看团队的请假记录。此外，管理员还可以查看所有员工信息，添加新员工并分配经理，编辑和删除员工信息。该项目在heroku上托管，提供在线服务。安装步骤包括克隆项目、创建虚拟环境、激活环境并安装依赖项等。还提供了数据库迁移和初始化、运行应用程序以及数据重置等实用工具命令。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.文md件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。
performance-timing.js利用HTML5的navigation_timing_API_performance
最新发布
09-15
performance-timing.js利用HTML5的navigation_timing_API_performance-timing
ssm+mysql的小说阅读网站书城（源码+lw+ppt）
09-15
内容概要： 基于SSM框架、Java语言和MySQL数据库的小说网站。系统旨在为用户提供一个在线阅读和搜索小说的平台，支持用户注册、小说列表查看、在线支付和排行榜等功能。系统采用B/S架构，前端使用JS语言进行界面设计，后端通过SSM框架进行开发。 适用人群： 本系统适用于广大网络小说读者、作者和出版社。 使用场景及目标： 1. 读者可以通过系统在线阅读小说，搜索自己喜欢的作品。 2. 作者可以上传自己的作品，与读者互动。 3. 出版社可以通过系统发布和管理小说资源。 其它说明： 系统设计考虑了用户友好性和操作便捷性，通过技术手段确保数据安全性。系统具备良好的扩展性，可适应未来功能升级需求。通过本系统，用户可以方便地获取所需小说资源，同时作者和出版社也能有效地管理自己的作品。 关键词：小说网站；MYSQL数据库；SSM框架；JS技术
8.zabbix构建企业级监控告警平台(1).学习笔记整理分享给需要的同学
09-15
8.zabbix构建企业级监控告警平台(1).学习笔记整理分享给需要的同学
基于OpenAI API的餐厅评论生成器.zip
09-15
该项目是一个使用Flask框架构建的Web应用程序，它利用OpenAI APi生成餐厅评论。项目文件包含了部署到AWS Elastic Beanstalk所需的所有元素。用户可以通过此应用程序生成个性化的餐厅评论，它可能是基于某些餐厅的特征、食物和服务等因素。这是一个基于机器学习和自然语言处理技术的创新项目，适用于需要自动餐厅评论的场景，如推荐系统、网站内容生成等。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。
基于Flask-SocketIO的即时通讯应用.zip
09-15
该项目是一个使用Flask-SocketIO构建的即时通讯应用。它利用Flask-SocketIO实现实时消息传递，采用Lodash-JS进行数据处理，以及Bulma CSS进行前端样式设计。应用提供了简单的网页版聊天体验，用户可以创建公共和私人频道，并在频道之间进行消息传递。此外，还实现了表情符号功能。项目具备个性化特点，如支持私人频道和私信功能。然而，项目存在一些已知问题，如注册时的姓名输入不稳定、初始加载时间较长（特别是在安装和卸载eventlet之后）、表情符号点击事件监听器在首次加载时不起作用等。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看READmE.md文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。
stepmotor.c
09-15
stepmotor.c
R语言中使用Seurat包读取单细胞数据
09-11
在R语言中使用Seurat包读取单细胞数据通常涉及两个步骤：加载数据和创建Seurat对象。以下是一个简单的示例： 首先，如果你的数据已经是以合适格式（如.txt）存储的基因表达矩阵，你可以这样操作[^2]： ```r # 使用data.table读取txt文件 library(data.table) rawcount <- read.table("./GSE116481_all_samples_raw_counts_matrix.txt") # 或者使用tibble读取并处理列名和行名 library(tidyverse) colnames(rawcount) <- rawcount[1,] # 设置列名 rawcount <- rawcount[-1, ] # 去除第一行（通常是列名） rownames(rawcount) <- rawcount[, 1] # 设置行名 rawcount <- rawcount[, -1] # 去除第一列（通常是索引） # 检查数据维度 dim(rawcount) ``` 然后，使用`CreateSeuratObject`函数创建Seurat对象[^1]： ```r # 创建Seurat对象 scRNA <- CreateSeuratObject(counts = rawcount) ``` 在这个过程中，`counts`参数应是表达矩阵，即每个单元格表示一个基因在特定细胞的表达水平。创建Seurat对象后，你可以进一步对数据进行预处理、标准化和聚类分析。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

莘薪

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值