单细胞转录组 —— simpleaf 原始数据处理

单细胞转录组 —— 原始数据处理实战（simpleaf）

前言

Alevin-fry 是一个快速、准确且内存节约的单细胞和单核数据处理工具。

Simpleaf 是用 Rust 编写的程序，它提供了一个统一且简化的界面，用于通过 alevin-fry 流程处理一些最常见的单细胞数据。

准备

开始之前，我们先在终端创建一个 conda 环境，并安装所需的软件包。

Simpleaf 依赖于 alevin-fry、salmon 和 pyroe。它们都可以在 bioconda 上找到，并会在安装 simpleaf 时自动安装。

安装虚拟环境和软件

conda create -n af -y -c bioconda simpleaf
conda activate af

simpleaf 需要环境变量 ALEVIN_FRY_HOME 来存储配置和数据

export ALEVIN_FRY_HOME=$(dirname $(which simpleaf))

使用 set-paths 命令查找所需工具的路径，并在 ALEVIN_FRY_HOME 文件夹中写入一个配置 JSON 文件

simpleaf set-paths

构建索引

索引命令有两种输入形式：

• 将参考基因组 FASTA 和 GTF 作为输入，然后使用 roers（自带的工具，无需单独安装）spliced+intronic（splici）参考或 spliced+unspliced（spliceu）参考
• 将单个参考序列文件（即 FASTA）作为输入（直接参考模式）。

在扩展参考的模式下，构建完成扩展的参考之后，将使用 piscem build 或 salmon index 命令（可以自选）对生成的参考进行索引，并在索引目录中存储一个包含 3 列的转录本到基因的文件（t2g_3col.tsv），以供后续使用。

输出目录将包含 ref 和 index 子目录，前者包含从提供的基因组和 GTF 中提取的 splici 参考，后者包含在此参考基础上构建的索引。

在直接参考的模式下，提供的 fasta 文件（使用 ——ref-seq 参数）将直接提供给 piscem 或 salmon 来构建索引。输出目录将包含一个索引子目录，其中包含基于此参考文件构建的索引。

具体参数可以参考如下

下载参考基因组信息，例如

wget http://ftp.ensembl.org/pub/release-98/fasta/homo_sapiens/dna/Homo_sapiens.GRCh38.dna.primary_assembly.fa.gz
wget http://ftp.ebi.ac.uk/pub/databases/gencode/Gencode_human/release_32/gencode.v32.primary_assembly.annotation.gtf.gz

可以用我们之前已经下载过的，不要重复下载。

注意：simpleaf 要求 FASTA 文件中的碱基都为大写，如果你下载的版本不是，可以使用 seqkit 工具进行装换。例如

conda install -c bioconda seqkit

seqkit seq -u genome/hg19.fa > genome/hg19_upper.fa

构建参考基因组的索引，默认使用 piscem 构建索引，但是后面在比对时容易出现问题，所以使用 salmon 来比对。

使用 --no-piscem 来禁用 piscem

simpleaf index \
    -o simpleaf_hg19 \
    -f /path/to/genome/hg19.fa \
    -g /path/to/annotation/hg19.refGene.gtf \
    -r 90 --no-piscem \
    -t 8

在输出目录 simpleaf_hg19 中，ref 文件夹包含 splici 参考；index 文件夹包含基于 splici 参考构建的 salmon 索引。

表达定量

使用 quant 可以进行细胞条形码校正、UMI 解析并生成计数矩阵。其输入可以是

• 索引、reads 和其他实验信息，如 UMI 和 barcode 位置
• 包含比对结果和有关实验信息的目录

然后运行 alevin-fry 流程的所有相关步骤。

从头开始处理一个新数据集时，你应该选择第一种方式（需要提供 --index、--reads1 和 --reads2 参数）。如果 --reads1 和 --reads2 参数有多个文件，必须用逗号（,）分隔。

另一方面，如果您已经进行了定量分析，或者由于其他原因已经对读数进行了比对，并生成了 RAD 文件，则可以使用 --map-dir 参数直接从比对结果启动后续分析。

后一种方法便于测试不同的定量方法（例如不同的过滤选项或 UMI 解析策略）。主要的参数包括

关于 --chemistry 参数

--chemistry 选项可以是描述特定化学成分的字符串，也可以是描述条形码几何形状、UMI 和可比对读取的字符串。

例如，字符串 10xv2 和 10xv3 将分别应用 10x chromium v2 和 v3 协议的适当设置。

不过，如果您要使用的不是程序内预注册选项，也可以提供一般形式，用于表述序列状态。例如 10xv2 可以表示为

1{b[16]u[10]x:}2{r:}

其中 1 表示 read1 文件，花括号内的参数用于描述 read1， b16 表示 1-16 位的碱基是 barcode 序列，u[10] 表示第 17-26 位的碱基是 UMI 序列，x: 表示后面的所有序列将会被丢弃；

类似地，2 则表示 read2 文件，r: 表示整条序列都是 cDNA 序列。

所以 10xv3 也可以表示为 "1{b[16]u[12]x:}2{r:}"。

序列标识有可能出现重复，在这种情况下，它们将被提取并连接在一起。例如，1{b[16]u[12]b[4]x:} 表示我们应提取 1-16 位和 29-32 位的碱基，并将它们连接起来以获得完整的条形码。

你可以将经常使用的几种自定义字符添加到 ALEVIN_FRY_HOME 目录中的 custom_chemistries.json 文件中。

例如，将下面的内容放入该文件后，您就可以向 simpleaf quant 命令传递 --chemistry flarb，它就会将 reads 解释为具有指定的形式。

{
  "flarb" : "1{b[16]u[12]x:}2{r:}"
}

实战

10x scRNA-seq

我们从 10x Genomics 公司下载的人类脑肿瘤数据集 Brain_Tumor_3p_LT_fastqs。

wget https://cf.10xgenomics.com/samples/cell-exp/6.0.0/Brain_Tumor_3p_LT/Brain_Tumor_3p_LT_fastqs.tar

解压数据

tar -xvf Brain_Tumor_3p_LT_fastqs.tar

表达定量分析

# 搜索 FASTQ 文件，并使用 , 连接多个文件
reads1="$(find -L Brain_Tumor_3p_LT_fastqs -name "*_R1_*" -type f | sort | awk -v OFS=, '{$1=$1;print}' | paste -sd,)"
reads2="$(find -L Brain_Tumor_3p_LT_fastqs -name "*_R2_*" -type f | sort | awk -v OFS=, '{$1=$1;print}' | paste -sd,)"

simpleaf quant \
    -c 10xv3 -t 8 \
    -1 $reads1 -2 $reads2\
    -i simpleaf_hg19/index \
    -u 3M-february-2018.txt \ # 10xv3 barcode
    -r cr-like \
    -m simpleaf_hg19/index/t2g_3col.tsv \
    -o simpleaf_brain

运行这些命令后，可在 ·simpleaf_brain/af_quant/alevin 文件夹中找到定量信息。

该目录下有三个文件：

• quants_mat.mtx：计数矩阵
• quants_mat_cols.txt：矩阵每列的基因名称
• quants_mat_rows.txt，矩阵每行经过校正、过滤的细胞条形码

值得注意的是，alevin-fry 是在 USA-mode（未剪接变体（U）、剪接变体（S）和剪接模糊变体（A））下运行的，会对每个基因的剪接和未剪接状态都进行定量分析，生成的 quants_mat_cols.txt 文件的行数等于注释基因数的 3 倍

Drop-seq

与 kb-python 教程一样，我们使用的数据集是 GSE178612，用于研究 FoxM1 与 Rb 基因在小鼠乳腺癌中的相互作用。

我们选择其中一个样本 GSM5394388，下载其原始数据

prefetch SRR14872449

解压

fastq-dump SRR14872449/SRR14872449.sra --split-files --gzip -O SRR14872449

构建小鼠的索引

simpleaf index \
    -o simpleaf_mm10 \
    -f /path/to/genome/mm10.fa \
    -g /path/to/annotation/mm10.refGene.gtf \
    -r 90 --no-piscem \
    -t 8

定量分析，使用 -k 参数，利用拐点来矫正 barcode，禁用 piscem

simpleaf quant \
    -c "1{b[12]u[8]x:}2{r:}" -t 8 \
    -1 SRR14872449/SRR14872449_1.fastq.gz \
    -2 SRR14872449/SRR14872449_2.fastq.gz \
    -i simpleaf_mm10/index \
    # -u 3M-february-2018.txt \ 不需要
    -r cr-like -k --no-piscem \
    -m simpleaf_mm10/index/t2g_3col.tsv \
    -o simpleaf_drop

Indrop

与 kb-python 教程一样，使用包含 6 例原发性胰腺癌组织的单细胞 RNA 测序和空间转录组学 GSE111672 数据集

我们随便选择一个样本 GSM3036909 下载原始数据

prefetch SRR6825055

解压

fastq-dump SRR6825055/SRR6825055.sra --split-files --gzip -O SRR6825055

表达定量，其中 barcode 需要自己下载合并，barcode 和 UMI 组成需要自己构建字符串

simpleaf quant \
    -c "1{b[12]u[8]x:}2{r:}" -t 8 \
    -1 SRR6825055/SRR6825055_1.fastq.gz \
    -2 SRR6825055/SRR6825055_2.fastq.gz \
    -i simpleaf_hg19/index \
    # -u indrop_barcode.txt \ 
    -r cr-like -k --no-piscem \
    -m simpleaf_hg19/index/t2g_3col.tsv \
    -o simpleaf_indrop

因为 indrop 的 gel_barcode1_list.txt 文件长度不一，会有问题。所以在这里我们使用 -k 参数，利用拐点的方式矫正 barcode。

读取结果

Python

我们可以使用 pyroe 中的 load_fry 函数将计数矩阵作为 AnnData 对象加载到 Python 中。

import pyroe

quant_dir = 'simpleaf_brain/af_quant'
adata_sa = pyroe.load_fry(quant_dir)

默认情况下，Anndata 对象的 X 层加载为每个基因的剪接计数和模糊计数之和。不过，最近的工作Pool et.al, 2022 研究表明，即使在 scRNA-seq 数据中加入内含子计数，也可能会提高灵敏度并有利于下游分析。

虽然利用这一信息的最佳方法仍在研究之中，但由于 alevin-fry 会自动量化每个样本中的剪接、非剪接和模糊读数，因此包含每个基因总计数的计数矩阵可通过以下方式简单获得：

import pyroe

quant_dir = 'simpleaf_brain/af_quant'
adata_usa = pyroe.load_fry(quant_dir, output_format={'X' : ['U','S','A']})

R

在 R 中，我们可以使用 fishpond 包中类似的 loadFry 函数。

首先，安装包

if (!require("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

BiocManager::install("fishpond")

导入包并读取数据

library(fishpond)

loadFry(fryDir = "simpleaf_brain/af_quant")