Seurat-SCTransform与harmony整合学习续（亚群分析）

目录

提取细胞亚群

SCTransform-harmony技术路线

①亚群SCTransform标准化

②harmony去批次

---

这里对上一章的内容进行补充：

Seurat-SCTransform与harmony整合学习-CSDN博客

提取细胞亚群

rm(list = ls())
library(Seurat)#好像先后需要先后加载
library(patchwork)
library(dplyr)
library(ggplot2)
library(sctransform)
#library(SeuratData) #加载失败
library(ifnb.SeuratData)##数据源于来自于SeuratData包的ifnb数据集 
data("ifnb") 
ifnb=UpdateSeuratObject(ifnb)  
kp = ifnb$seurat_annotations %in% c('CD14 Mono' , 'CD16 Mono')
ifnb=ifnb[,kp]

SCTransform-harmony技术路线

①亚群SCTransform标准化

sce <- SCTransform(ifnb,verbose = F)  
sce <- RunPCA(sce,verbose = F)  
sce <- RunUMAP(sce, dims = 1:20) 
p1 = DimPlot(sce,group.by = 'seurat_annotations') + 
  DimPlot(sce,group.by = 'orig.ident') 
p1

---

②harmony去批次

library(harmony)
sce <- RunHarmony(sce, "orig.ident") 
sce <- RunUMAP(sce,  dims = 1:25, 
               reduction = "harmony")
p2 = DimPlot(sce,group.by = 'seurat_annotations') + 
  DimPlot(sce,group.by = 'orig.ident') 
p2

左侧仅仅SCTransform标准化；右侧SCTransform+harmony去批次

也就是说，两个样品的髓系淋巴细胞有样品特异性，但是我们的harmony整合可以让两个样品cd16单核在UMAP的二维可视化图靠近，以及两个样品的一小撮cd14单核在UMAP的二维可视化图靠近，但是很明显，STIM组里面的cd14单核还是有3个顽强的独立的亚群，是它比较特有的。

---

SCTransform真的能完美替代Seurat早期的3个函数吗 (qq.com)

第一层次降维聚类分群的时候，做SCTransform确实是可以代替早期的 NormalizeData(), ScaleData(), FindVariableFeatures()三个函数，但是在具体的单细胞亚群细分的时候，个人觉得SCTransform表现并不好，可能是因为它是针对完整的单细胞表达量矩阵设计的？或者说应该是在具体的每个样品内部跑SCTransform后然后再多个样品合并？