hx2024的博客

解开驱动癌细胞转录程序的调节机制是理解肿瘤生物学的关键。在此，我们展示了手术切除后立即处理的人类卵巢和子宫内膜肿瘤的单细胞分辨率的匹配转录组(scRNA-seq)和染色质可及性(scATAC-seq)特征。该数据集揭示了这些肿瘤复杂的细胞异质性，并使我们能够定量地将染色质可及性的变化与基因表达联系起来。我们表明，恶性细胞获得以前未注意到的调控元件来驱动标志性的癌症途径。此外，来自相同患者的恶性细胞显示出与转录输出相关的染色质可及性的显著差异，这突出了肿瘤内异质性的重要性。

1 Seurat 对象和 Assay 类发生了变化:支持更多种类的检测和数据类型，包括磁盘上的矩阵。引入了分层结构来存储数据，例如原始计数、标准化数据和 z 得分/方差稳定数据。可以使用 $ 访问器或 LayerData 函数来访问数据。现有的 Seurat v4 函数和工作流程仍可在 v5 中使用。2 整合工作流程发生了变化:简化了整合流程，提高了速度和内存效率。整合结果与 v4 工作流程略有不同，但用户仍可在 v5 中运行 v4 整合工作流程。

10X数据因为有UMI，不需要考虑基因长度的影响，但仍然需要考虑测序深度在不同细胞之间的差异，所以需要用函数LogNormalize进行处理，具体方法是用该基因的UMI/该细胞的全部UMI，再乘以10000，在按列LogNormalize后，又可以按行进行scale​​，以去除极大值极小值基因对数据的影响。这可能是损伤/死亡的细胞，其细胞质的mRNA已经通过破裂的膜泄漏出来，因此，只有位于线粒体的mRNA仍然是保守的。质量差的细胞很可能每个细胞的基因和UMI都很低，并且与图左下象限的数据点相对应。

单细胞转录组测序分析步骤：用 CellRanger 识别细胞后构建 Seurat 矩阵，根据之前的研究过滤低质量细胞，最后获得数据进行聚类分析。首先，选取方差最大的前 2000 个基因进行数据归一化，使用主成分分析（PCA）将数据维度降低到 50 个主成分，并使用harmony去除样本的批次效应。通过 tSNE 聚类分析，共确定了 9 个聚类（B 细胞、CD4+ T 细胞、CD8+ T 细胞、NK 细胞、肥大细胞、内皮细胞、成纤维细胞、骨髓细胞和浆细胞）。然后，提取每个细胞群的基因表达矩阵，以确定亚群。

下载表达矩阵和细胞注释信息。

源于R tips：Seurat之SCTransform方法原理 (qq.com)Seurat对象在经过SCTransform处理后会增加一个SCT的Assay，里面的scaled.data就是经过scale之后的pearson residual值，这个值是用于后续降维聚类分析使用的。

由于上一篇稍有冗长，将txt或者csv的整理后数据进行读入以及创建Seura文件。

单细胞上游分析 - 生物信息云 (bioinfocloud.github.io)单细胞 RNA 测序（Single cell RNA sequencing，scRNA-seq）是一种在单细胞水平上利用 RNA 测序对特定细胞群体进行基因表达谱定量的高通量实验技术。待测组织经过单细胞分离、RNA 提取、逆转录、文库构建和测序，便可利用数据分析获得多个细胞的基因表达谱。10×genomics技术首先在凝胶微珠上种上特定的DNA片段，DNA片段由三部分组成：Barcode、UMI、PolyT组成。

可以配置租用更大的服务器，上传数据。部分存在版本问题需要修改！

注意不能使用root登录，需要新建一个用户，也需要打开8787端口（服务器和本地的条件下不一致）。用不同的文件夹存放不同的包进行安装，即可使用不同的R包版本。查看R 的路径及相关R包：R→ .libPaths() →显示路径→ q() 进行退出。注意缺失的包及linux库每个人可能不一致，根据报错进行补充。安装shiny-server及Rstudio-server。服务器R语言安装包，部分包需要在环节中配置响应的项目。linux服务器安装。

为了便于解释复杂的细胞间通信网络，CellChat 通过从图论、模式识别和流形学习中抽象出来的方法对网络进行定量测量。关于cellchat的流程图在进行细胞交互分析的时候，不同分组的样本尽量不要一起进行分析，想要一起分析的时候需要保证不同分组间的细胞种类一致。同一分组的不同生物学重复可以一起分析。

参考：

Cluster IDMarkersCell Type0IL7R, CCR71CD14, LYZCD14+ Mono23MS4A1B4CD8ACD8+ T56GNLY, NKG7NK7DC8PPBPPlatelet#为聚类分配单元类型标识#进行图片保存saveRDS(pbmc, file = "pbmc3k_final.rds")#用于cellchat准备参考：单细胞测序分析: Seurat 使用教程 - 简书 (jianshu.com)

CellChatDB考虑了配体-受体复合物的已知组成，包括具有多聚体配体和受体的复合物，以及几种辅因子类型：可溶性激动剂，拮抗剂，共刺激和共抑制膜结合受体。我们通过将 CellChat 应用于来自患者的病变（LS，患病）人类皮肤细胞的 scRNA-seq 数据来展示 CellChat 的多种功能。为了推断细胞状态特异性通讯，我们首先使用显著性水平为 0.05 的 Wilcoxon 秩和检验，在给定的 scRNA-seq 数据集中鉴定了所有细胞群中差异表达的信号转导基因。c） 细胞间通讯概率的计算。

比较各个样本间的各类细胞比例或者亚组之间的细胞比例差异。

单细胞seurat数据的基础知识。数据：GSE164241。

max.overlaps = getOption("ggrepel.max.overlaps", default = 20))#生成带边框的数据。注意：ggrepel::geom_label_repel()函数有个参数是max.overlaps，作用是把高度重叠的标签去掉， 默认10，

【代码】②-Ⅱ单细胞学习-组间及样本细胞比例分析（补充）

单细胞数据RunPCA降维分析前的scale操作，通常指对数据进行标准化或归一化处理，旨在消除不同基因或细胞之间的量纲或数量级的差异。这样做可以使得不同基因或细胞在降维后对PCA的贡献更加均衡，避免了那些具有高表达量的基因或高测序深度的细胞对PCA结果产生过大影响的情况。细胞基因检出数，低质量细胞基因检出数通常较低，双细胞或者同时捕获多个细胞会有很高的基因数。作者还计算了细胞周期评分，因为我们收集到的细胞可能处于不同的分裂时期，所以看周期是很有必要的，尤其是针对具体的研究目的。数据集：GSE164241。

这里需要注意R绘图画板范围，可以将前面的绘图进行保存和devoff后再进行作图。3）每个细胞亚群的配受体通讯概率进行单独展示。这里提供的应该是counts data数据。