scRNA-seq | 吐血整理的单细胞入门教程（共识聚类）（十二）

1写在前面

当完成了对scRNAseq数据的Normalization和混杂因素去除后，我们就可以开始正式分析了。😘
本期我们介绍一下常用的聚类方法(clustering)，主要是无监督聚类，包括：👇

• hierarchical clustering；
• k-means clustering ；
• graph-based clustering。

1.1 hierarchical clustering

Raw data

The hierarchical clustering dendrogram

---

1.2 k-means clustering

k-means

---

1.3 graph-based clustering

graph_network

---

2聚类工具

2.1 SINCERA

• 基于 hierarchical clustering;
• 在聚类前需要进行 z-scores转换。

---

2.2 SC3

• 基于 PCA降维；
• k-means；
• 共识聚类( consensus clustering)。🌟

SC3 pipeline

---

2.3 tSNE + k-means

• tSNE maps;
• k-means。

---

2.4 Seurat clustering

Seurat clustering主要是基于community的识别进行聚类，这里我们不做具体介绍了，后面会做Seurat包的详细教程。🤩

2.5 Comparing clustering

当我们需要比较两个聚类结果的时候，我们可以使用adjusted Rand index，区间在0~1，大家可以简单理解为，1表示聚类相同，0表示偶然相似，即adjusted Rand index越大，聚类结果越相似。🤗

3用到的包

rm(list = ls())
library(pcaMethods)
library(SC3)
library(scater)
library(SingleCellExperiment)
library(pheatmap)
library(mclust)
library(ggsci)

4示例数据

这里我为大家准备了一个小鼠的胚胎scRNAseq数据，文件格式为.rds。

dat <- readRDS("./deng-reads.rds")
dat

dat

5数据初探

我们先看下细胞类型。

table(colData(dat)$cell_type2)

Cell Type

---

PCA 🥳 这里看到有的细胞类型是分的很开的，有明显的区分。

dat <- runPCA(dat)
plotPCA(dat, colour_by = "cell_type2")+
  scale_fill_npg()+
  scale_color_npg()

PCA1

6SC3

这里我们只介绍一下SC3的方法进行聚类，其他方法耗时过长。

SC3的输入数据直接是SingleCellExperiment，非常方便。😁

6.1 sc3_estimate_k

dat <- sc3_estimate_k(dat)

---

6.2 查看聚类结果

我们看一下sc3提供的聚类方法，帮我们聚成了几类~

metadata(dat)$sc3$k_estimation

k

Note! 这里只帮我们聚了6类，但我们实际上不只6类啊。🫠

但是， 如果我们不考虑early, mid, late这种时间点的话，正好的6类。Nice !~🥳

6.3 可视化一下

plotPCA(dat, colour_by = "cell_type1")+
  scale_fill_npg()+
  scale_color_npg()

PCA2

---

6.4 生物学分组聚类

这里我们将生物学分组纳入考虑中，进行聚类。

dat <- sc3(dat, 
           ks = 10, # a range/single of the number of clusters k used for clustering 
           biology = TRUE, 
           n_cores = 4 # 默认是1
           )

---

6.5 通过Shiny结果可视化

SC包提供了一种交互的方式进行结果展示，就和网页工具一样简单。

sc3_interactive(dat)

shiny

---

🤨 这里我们只讲一下如何使用代码实现结果可视化。

6.6 Consensus Matrix

sc3_plot_consensus(
    dat, 
    k = 10, 
    show_pdata = c(
        "cell_type2")
)

Consensus Matrix

---

6.7 Silhouette Plot

sc3_plot_silhouette(dat, k = 10)

Silhouette Plot

---

6.8 Expression Matrix

sc3_plot_expression(
    dat, k = 10, 
    show_pdata = c(
        "cell_type2")
)

Expression Matrix

---

6.9 DE genes

sc3_plot_de_genes(
    dat, k = 10, 
    show_pdata = c(
        "cell_type2")
)

DE genes

---

6.10 Marker Genes

sc3_plot_markers(
    dat, k = 10, 
    show_pdata = c(
        "cell_type2")
)

Marker Genes

---

最后祝大家早日不卷!~

---

需要示例数据的小伙伴，在公众号回复scRNAseq2获取吧！

点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰

本文由 mdnice 多平台发布