【TOP生物信息】使用Seurat包自带的方法进行单细胞类型注释

最新推荐文章于 2024-05-30 09:15:26 发布
最新推荐文章于 2024-05-30 09:15:26 发布
阅读量1.9k 收藏 5
点赞数
分类专栏： 生物信息 单细胞 细胞注释 文章标签： 单细胞 细胞注释 scRNA-seq
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38774801/article/details/130913408
版权

扫码关注下方公粽号，回复推文合集，获取400页单细胞学习资源！

在这里插入图片描述

本文共计1318字，阅读大约需要4分钟，目录如下：

  • 方法简介
  • 演示数据来源
  • 代码演示
  • 小结
  • 代码参考
  • 往期单细胞系统教程

单细胞自动注释细胞类型的软件和方法十分繁多，早在2021年便有文章《Automatic cell type identification methods for single-cell RNA sequencing》汇总比较了不同单细胞注释软件之间的优劣。

图片

本次推文带来其中一种方法的演示，来自大家已经非常熟悉的Seurat包所自带的单细胞注释方法。

方法简介

该方法首次于2018年发表在Nature Biotechnology，题为《Integrating single-cell transcriptomic data across different conditions, technologies, and species》。作者首先通过典型关联分析（Canonical Correlation Analysis，CCA）的方法矫正不同样本间因为非生物因素造成的批次效应（考虑到文章发表较早，CCA容易出现过度矫正的可能及大样本合并的耗时太长等问题，在自己的数据进行实际操作时使用harmony或者其他方法合并亦可）来生成参考数据集。而后通过细胞类型标签对比及投射的方法获取验证数据集的单细胞类型及UMAP信息

简单解释一下就是准备好已知数据集去注释未知数据集，并且将未知数据集细胞的UMAP信息与已知数据集进行映射匹配，使得两组数据的同一种细胞类型在UMAP图中处于大概同一位置。

演示数据来源

本次为了方便大家获取数据，沿用原文作者使用的4例存储在R包SeuratData中的人类胰岛单细胞测序数据：CelSeq (GSE81076)， CelSeq2 (GSE85241)， Fluidigm C1 (GSE86469)，和SMART-Seq2 (E-MTAB-5061)。

代码演示

###加载R包
library(Seurat)
library(SeuratData)
library(ggplot2)
library(cowplot)
library(patchwork)
###下载示例数据
InstallData("panc8")
###提取示例数据集
data("panc8")
pancreas.list <- SplitObject(panc8, split.by = "tech")
pancreas.list <- pancreas.list[c("celseq", "celseq2", "fluidigmc1", "smartseq2")]
###对list里的数据进行标准化并查找高变基因
for (i in 1:length(pancreas.list)) {
    pancreas.list[[i]] <- NormalizeData(pancreas.list[[i]], verbose = FALSE)
    pancreas.list[[i]] <- FindVariableFeatures(pancreas.list[[i]], selection.method = "vst", nfeatures = 2000,
        verbose = FALSE)
}
###使用CCA的方法整合其中3例数据作为参考数据集
reference.list <- pancreas.list[c("celseq", "celseq2", "smartseq2")]
###识别锚点
pancreas.anchors <- FindIntegrationAnchors(object.list = reference.list, dims = 1:30)
###利用识别到的锚点对参考数据集进行整合消除批次效应
pancreas.integrated <- IntegrateData(anchorset = pancreas.anchors, dims = 1:30)
DefaultAssay(pancreas.integrated) <- "integrated"
###对参考数据集进行归一化，PCA及UMAP降维
pancreas.integrated <- ScaleData(pancreas.integrated, verbose = FALSE)
pancreas.integrated <- RunPCA(pancreas.integrated, npcs = 30, verbose = FALSE)
pancreas.integrated <- RunUMAP(pancreas.integrated, reduction = "pca", dims = 1:30, verbose = FALSE)
###查看参考数据集不同数据及不同细胞分布情况
DimPlot(pancreas.integrated, reduction = "umap", group.by = "tech") |
DimPlot(pancreas.integrated, reduction = "umap", group.by = "celltype", label = TRUE, repel = TRUE) + NoLegend()

左图参考数据集经CCA合并后已基本消除不同测序方法的批次效应，右图不同细胞类型区分明显

图片

###调用验证数据集
pancreas.query <- pancreas.list[["fluidigmc1"]]
###查找参考数据集及验证数据集之间的锚点
pancreas.anchors <- FindTransferAnchors(reference = pancreas.integrated, query = pancreas.query,dims = 1:30, reference.reduction = "pca")
###通过TransferData()函数预测验证数据集细胞类型
predictions <- TransferData(anchorset = pancreas.anchors, refdata = pancreas.integrated$celltype,dims = 1:30)
###添加预测细胞类型信息
pancreas.query <- AddMetaData(pancreas.query, metadata = predictions)
###验证预测细胞类型准确性
pancreas.query$prediction.match <- pancreas.query$predicted.id == pancreas.query$celltype
table(pancreas.query$prediction.match)
### FALSE  TRUE 
###    21   617
###超过96%的细胞预测准确

接下来作者又通过典型marker基因的方法对预测细胞类型的准确性进行判断

VlnPlot(pancreas.query, c("REG1A", "PPY", "SST", "GHRL", "VWF", "SOX10"), group.by = "predicted.id")

图片

Seurat v4版本中，还添加了一项新的功能，就是可以通过MapQuery()函数统一参考数据集和验证数据集细胞的UMAP信息，大家看完图片展示就比较容易理解这一函数的作用了

###统一参考数据集和验证数据集UMAP信息
pancreas.integrated <- RunUMAP(pancreas.integrated, dims = 1:30, reduction = "pca", return.model = TRUE)
pancreas.query <- MapQuery(anchorset = pancreas.anchors, reference = pancreas.integrated, query = pancreas.query,refdata = list(celltype = "celltype"), reference.reduction = "pca", reduction.model = "umap")
###绘制参考数据集及验证数据集UMAP图
DimPlot(pancreas.integrated, reduction = "umap", group.by = "celltype", label = TRUE, label.size = 3, repel = TRUE) + NoLegend() + ggtitle("Reference annotations") | DimPlot(pancreas.query, reduction = "ref.umap", group.by = "predicted.celltype", label = TRUE, label.size = 3, repel = TRUE) + NoLegend() + ggtitle("Query transferred labels")

左右图分别为参考数据集和验证数据集UMAP图

图片

小结

使用Seurat自带注释方法的人相对来说较少，不过还是可以作为一个参考，用合适的方法做出符合预期的结果，叙述好一个生物学故事才是单细胞数据分析与挖掘最为重要的地方，在小编看来单细胞的注释还是自动注释工具结合人工marker基因注释才能够对一些稀有细胞亚群进行较为准确的注释。

本次的分享到此结束，写作不易，如果觉得对您有所帮助，麻烦点个赞吧！感谢！

代码参考

代码参考：https://satijalab.org/seurat/articles/integration_mapping.html

往期单细胞系统教程

单细胞分析实录(1): 认识Cell Hashing

单细胞分析实录(2): 使用Cell Ranger得到表达矩阵

单细胞分析实录(3): Cell Hashing数据拆分

单细胞分析实录(4): doublet检测

单细胞分析实录(5): Seurat标准流程

单细胞分析实录(6): 去除批次效应/整合数据

单细胞分析实录(7): 差异表达分析/细胞类型注释

推荐几个细胞注释网站

如何批量查询marker基因(对应的蛋白)会不会在膜上表达？

单细胞分析实录(8): 展示marker基因的4种图形（一）

单细胞分析实录(9): 展示marker基因的4种图形（二）

单细胞分析实录(10): 消除细胞周期的影响

单细胞分析实录(11): inferCNV的基本用法

单细胞分析实录(12): 如何推断肿瘤细胞

单细胞分析实录(13): inferCNV结合UPhyloplot2分析肿瘤进化

单细胞分析实录(14): 细胞类型注释的另一种思路 — CellID

单细胞分析实录(15): 基于monocle2的拟时序分析

单细胞分析实录(16): 非负矩阵分解(NMF)检测细胞异质性

单细胞分析实录(17): 非负矩阵分解(NMF)代码演示

单细胞分析实录(18): 基于CellPhoneDB的细胞通讯分析及可视化 (上篇)

单细胞分析实录(19): 基于CellPhoneDB的细胞通讯分析及可视化 (下篇)

一个对接CellPhoneDB的R包

【代码更新】单细胞分析实录(20): 将多个样本的CNV定位到染色体臂，并画热图

【代码更新】单细胞分析实录(21): 非负矩阵分解(NMF)的R代码实现，只需两步，啥图都有

TOP生物信息
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
单细胞测序学习笔记（二）——细胞注释
weixin_63756017的博客
02-25 1万+
1.细胞鉴别 在上一步对各类细胞进行featureblot后，可以根据文献或者在线数据库来对细胞进行鉴别。此处我使用的是CellMarker网站。 对照起来进行鉴别，但是有些细胞簇有两个marker，有些细胞簇的marker有重合，所以鉴别这一步具有比较大的主观性，需要结合多个数据库或者文献进行判断。 在完成鉴别后，创建一个新的字符向量保存细胞名称，顺序从0-12一一对应。 以下是我自己的判断结果： new.cluster.ids <- c("Memory T cell","C..
seurat -- 细胞注释部分
jiangshandaiyou的博客
05-09 1776
或者是与上面提到的marker genes进行比较，如果出现了某些marker genes则可以认为其是某一类细胞，但是没有“识别到”marker gene不代表该细胞不属于特殊的类群，可能是没检测到。marker genes 个人理解为出现这个基因就可以认为是这种细胞，所以才称为marker gene，marker gene 不等于 difference expression gene，二者有区别和联系。差异基因可以是表达量上存在差异也可以是表达细胞占比上存在差异，通常二者兼顾考虑。
单细胞的细胞注释要进入AI（GTP-4）时代了吗？
最新发布
weixin_53637133的博客
05-30 764
单细胞的细胞注释要进入AI（GTP-4）时代了吗？
手把手教你做单细胞测序数据分析（五）——细胞类型注释
weixin_47195452的博客
07-19 5272
第三讲。
单细胞分析（二）——细胞注释（SingleR自动注释）
lijianpeng0302的博客
06-08 5656
单细胞分析数据后，得到族群后，如何将族群进行细胞名称注释是重要的步骤。这里使用SingleR 进行简单的自动注释。
单细胞测序流程（六）单细胞的细胞类型的注释
热门推荐
qq_45478665的博客
07-14 2万+
系列文章目录 单细胞测序流程（一）简介与数据下载 单细胞测序流程（二）数据整理 单细胞测序流程（三）质控和数据过滤——Seurat包分析，小提琴图和基因离差散点图 单细胞测序流程（四）主成分分析——PCA 单细胞测序流程（五）t-sne聚类分析和寻找marker基因 本期主讲内容——单细胞的细胞类型的注释 课前了解：GO：是一个数据库，旨在建立一个适用于各种物种的，对基因和蛋白质功能进行限定和描述的，并能随着研究不断深入而更新的语义词汇标准。GO 提供了一系列的语义用于描述基因功能，以及这些.
SCS【6】单细胞转录组之细胞类型自动注释 (SingleR)
weixin_41368414的博客
09-07 6234
单细胞转录组之细胞类型自动注释 (SingleR)
seurat：用于单细胞基因组学的R工具包
02-23
Seurat是用于单细胞基因组学的R工具包，由NYGC的Satija实验室开发和维护。 说明，文档和教程可在以下位置找到： Seurat也托管在GitHub上，您可以在以下位置查看和克隆存储库 通过使用devtools软件包直接从GitHub...
基于R包scCancer修改的单细胞分析基础代码
05-01
在单细胞分析领域，R语言由于其强大的统计分析能力和丰富的生物信息学包，已经成为不可或缺的工具之一。"基于R包scCancer修改的单细胞分析基础代码"是一个针对单细胞数据处理和分析的资源，旨在帮助研究者更有效地...
scrnaseq_celltype_prediction:根据Seurat FindMarker数据预测集群的细胞类型
04-07
cPred：根据标记物质量预测细胞类型根据表达式值预测群集的单元格类型。用法（Seurat） 下载analyseMarkers.py脚本并在您的输出文件上运行它。 如果您有一个包含每个簇的标记基因的列表（ list(clusterID0=..., ...
scrna_seurat_pipeline:单细胞转录组学数据的全面分析
04-12
该管道是使用Seurat 3进行scRNA分析的标准管道。它使我们能够自动运行分析。 仅需很小的设置，该脚本即可为您完成所有工作。 以下是对该文件的简要介绍： Makefile显示如何运行脚本和生成可视化文件。 主要管道...
DoMultiBarHeatmap:为Seurat对象创建多栏注释的热图
04-23
DoMultiBarHeatmap 为Seurat对象创建多栏注释的热图 改编自Seurat，由Arjun Arkal Rao在撰写的工作改编而成。 安装 需要R包： ggplot 朗朗 苏拉特 磁珠 使用devtools安装 devtools::install_github("elliefewings/DoMultiBarHeatmap") 或从父目录下载并安装 devtools::install("DoMultiBarHeatmap") #Load library library(DoMultiBarHeatmap) 用法 data("pbmc_small" DoMultiBarHeatmap(object = pbmc_small, group.by="cluster", additional.group.by="cell_type") 争论 争论 定义 目的 修罗对象 特征
单细胞RNA测序（scRNA-seq）Seurat分析流程入门.md
05-12
单细胞RNA测序（scRNA-seq）Seurat分析流程入门
单细胞论文记录(part17)--Integrating sc transcriptomic data across different conditions, tech and species
小山羊的学习日志
07-19 388
计算single-cellRNA-seq（scRNA-seq）方法已成功应用于代表单一条件、技术或物种的实验，以发现和定义细胞表型.然而，识别存在于多个数据集中的细胞亚群仍然具有挑战性.在此，我们介绍了一种分析策略，用于整合基于共同变异源的scRNA-seq数据集，从而能够识别跨数据集的共享群体并进行下游的比较分析.......
使用自动和手动方法注释单细胞转录组图谱的指南
白景屹的博客
05-05 8126
目录摘要引言自动注释Marker-based automatic annotationReference-based automatic cell annotation细化自动注释手动注释 摘要 单细胞转录组学（single-cell transcriptomics）可以在一次实验中分析数千个细胞，并在多种组织和生物体中识别新的细胞类型和状态。标准的实验方案和分析工作流程已经开发出来，可以从组织中创建单细胞转录组图谱（single-cell transcriptomic maps）。本教程重点介绍如何解释.
Seurat 包图文详解 | 单细胞转录组(scRNA-seq)分析02
Baimoc
11-06 1万+
Seurat 学习 一、创建 Seurat 对象 使用的示例数据集来自10X Genome 测序的 Peripheral Blood Mononuclear Cells (PBMC)。 library(dplyr) library(Seurat) # Load the PBMC dataset pbmc.data <- Read10X(data.dir = "../data/pbmc3k/...
生新技能树单细胞GBM数据分析(SignleR以及Seurat 联合分析及细胞簇注释
leianuo123的博客
01-09 5002
学习是一种态度 图片来自网络 关于单细胞测序分析，本文主要参考生新技能树团队的帖子和代码，有部分内容属于自己的理解，在此非常感谢生新技能树团队无私的奉献。当然本帖子也参考了大量其他的贴子，参考内容和链接将会在相应地方放出，以便读者学习。 单细胞分析技术目前尚多，SignleR和Seruat是主流的分析，之前我们就Seruat 官网上的流程进行了初步的分析，这次的内容主要是结合SingleR 和Seruat 进行单细胞的注释。分析过程主要包括 1. 数据的读取和整理 数据的下载和读取 rm(list=ls
Seurat | 强烈建议收藏的单细胞分析标准流程（差异分析与细胞注释）（五）
m0_72224305的博客
10-22 5212
1写在前面 本期我们介绍一下如何使用Seurat包进行差异分析，以及如何使用SingleR进行细胞注释。😘 2用到的包 rm(list = ls())library(Seurat)library(tidyverse)library(SingleR)library(celldex)library(RColorBrewer)library(SingleCellExperiment) 3示例数据 这里我们还是使用之前建好的srat文件，我之前保存成了.Rdata，这里就直接加载了。🧐 load("./srat2.
在R语言中用Seurat包做单细胞数据分析代码
05-11
以下是使用Seurat包进行单细胞数据分析的R代码示例： 1. 数据导入和预处理 ```r library(Seurat) # 读取单细胞数据 data <- Read10X(data.dir = "path/to/data") # 创建一个Seurat对象 sc <- CreateSeuratObject(counts = data) # 过滤细胞和基因 sc <- FilterCells(object = sc, min.cells = 3) sc <- FilterGenes(object = sc, min.cells = 3) # 标准化数据 sc <- NormalizeData(object = sc) # 找到变异基因并进行缩放 sc <- FindVariableFeatures(object = sc, selection.method = "vst", nfeatures = 2000) all.genes <- rownames(sc) sc <- ScaleData(object = sc, features = all.genes) ``` 2. 数据降维和聚类 ```r # PCA降维 sc <- RunPCA(object = sc, npcs = 20, verbose = FALSE) # t-SNE降维 sc <- RunTSNE(object = sc, dims.use = 1:20, do.fast = TRUE) # 聚类细胞 sc <- FindClusters(object = sc, reduction.use = "tsne", resolution = 0.5) ``` 3. 可视化和差异表达分析 ```r # 可视化t-SNE图 DimPlot(object = sc, reduction = "tsne", label = TRUE, pt.size = 0.5) # 可视化聚类结果 FeaturePlot(object = sc, features.plot = c("CD3D", "MS4A1", "CD79A", "CD19", "CD14")) # 差异表达分析 sc.markers <- FindMarkers(object = sc, ident.1 = 0, ident.2 = 1, min.pct = 0.25) head(sc.markers$RNA) ``` 以上是使用Seurat包进行单细胞数据分析的基本流程，根据具体数据集和分析目的，还可以进行更多的处理和分析。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值