Monocle3

一、monocle3介绍

monocle3可以执行的3个主要的功能

对细胞进行聚类、分类和计数。Monocle 3 可识别新的（可能是罕见的）亚型细胞

构建单细胞轨迹。通过拟时序分析帮助大家解析生物体发育、疾病等过程中细胞发生的变化。这是最主要的功能。

差异表达分析。Monocle 3 包括一个复杂但易于使用的差分表达系统，可以表征新的细胞类型和状态始于与其他更好理解的细胞进行比较。

 主要流程

1.读取数据，创建cell_data_set对象。

2.数据预处理：标准化，去除批次效应

3.降维

4.聚类

5.进行差异基因表达分析

6.拟时序分析

二、关于不同数据的读取办法

（一）Bioconductor的ExpressionSet对象：

monocle3读取的数据要包含3个部分：

• expression_matrix：表达式值的数字矩阵，其中行是gene，列是cell
• cell_metadata:数据框，其中行是cell，列是细胞属性（如细胞类型、培养条件、获取日期等）
• gene_metadata :数据框，其中行是特征（例如基因），列是基因属性，例如生物型，GC含量等。

输入前应该确保几个“等式”

•  expression_matrix 列数= cell_metadata 行数 并且两者要相匹配
•  expression_matrix 行数= gene_metadata 列数 并且两者要相匹配
•  gene_metadata的其中一列应为“gene_short_name”,表示每个基因的基因符号或简要名称

创建对象示例 

# Load the data
expression_matrix <- readRDS(url("https://depts.washington.edu:/trapnell-lab/software/monocle3/celegans/data/cao_l2_expression.rds"))
cell_metadata <- readRDS(url("https://depts.washington.edu:/trapnell-lab/software/monocle3/celegans/data/cao_l2_colData.rds"))
gene_annotation <- readRDS(url("https://depts.washington.edu:/trapnell-lab/software/monocle3/celegans/data/cao_l2_rowData.rds"))


# Make the CDS object
cds <- new_cell_data_set(expression_matrix,
                         cell_metadata = cell_metadata,
                         gene_metadata = gene_annotation)

（二）从 10X 输出生成cell_data_set

要找到正确的文件，必须提供包含未修改的Cell Ranger“outs”文件夹的文件夹的路径。文件结构应如下所示：10x_data/outs/filtered_feature_bc_matrix/，其中filtered_feature_bc_matrix包含 files features.tsv.gz、barcodes.tsv.gz 和 matrix.mtx.gz。（还可以处理Cell Ranger V2数据，其中“feature”被替换为“gene”，并且文件未被gz压缩。(这个读取起来很容易报错)

读取示例:注意使用函数是load_cellranger_data

# Provide the path to the Cell Ranger output.
cds <- load_cellranger_data("~/Downloads/10x_data")

或者如果有以下3个文件，也可直接读取：注意使用函数是load_mm_data