Scanpy（4）用与数据整合和批次处理

Scanpy包，用与数据整合和批次处理，包含批次效应的BBKNN算法和用于对比的ingest基础算法比较，及其原理简介。

1. 依赖：

（1）数据集（全部需要挂VPN）：

1. PBMC：pbmc3k_processed()（需要下载）；pbmc68k_reduced()（scanpy自带）
2. Pancreas（需要下载）

（2）Python包：Scanpy、BBKNN

2. PBMC数据集

导入所需的包

import scanpy as sc
import pandas as pd
import seaborn as sns
# 参考数据集（已预处理、降维、聚类、注释）
adata_ref = sc.datasets.pbmc3k_processed()  # this is an earlier version of the dataset from t
# 参考数据集（已预处理、降维、聚类、注释）
adata = sc.datasets.pbmc68k_reduced()
print(adata_ref)

生成：

上面下载数据自动放入这里

data

​ pancreas.h5ad

​ pbmc3k_processed.h5ad

2.1 重点数据结构分析

# 1. adata_ref
AnnData object with n_obs × n_vars = 2638 × 1838
    obs: 'n_genes', 'percent_mito', 'n_counts', 'louvain'
    var: 'n_cells'
    uns: 'draw_graph', 'louvain', 'louvain_colors', 'neighbors', 'pca', 'rank_genes_groups'
    obsm: 'X_pca', 'X_tsne', 'X_umap', 'X_draw_graph_fr'
    varm: 'PCs'
    obsp: 'distances', 'connectivities'
在 `scanpy` 中，`AnnData`（Annotated Data）是一个用于存储和操作单细胞RNA-seq等生物学数据的数据结构。以下是对`adata_ref`对象中各个字段的解释：

- `obs`：观测（observations）信息，即每个细胞或样本的元信息。在这个例子中包括：
  - `'n_genes'`：每个细胞中表达的基因数量。
  - `'percent_mito'`：每个细胞中线粒体基因的百分比。
  - `'n_counts'`：每个细胞的总计数。
  - `'louvain'`：【聚类结果，表示每个细胞属于哪个聚类。】

- `var`：变量信息，即基因的元信息。在这个例子中包括：
  - `'n_cells'`：每个基因在多少个细胞中被检测到。

- `uns`：未结构化的数据，可以存储各种附加信息。在这个例子中包括：
  - `'draw_graph'`：用于存储绘图图形的信息。
  - `'louvain'`：用于存储Louvain聚类的信息。
  - `'louvain_colors'`：Louvain聚类结果的颜色映射。
  - `'neighbors'`：用于存储邻域信息的数据。
  - `'pca'`：用于存储主成分分析（PCA）的信息。
  - `'rank_genes_groups'`：用于存储基因组中基因排序的信息。

- `obsm`：观测矩阵，包含与观测相关的矩阵数据。在这个例子中包括：
  - `'X_pca'`：PCA降维后的坐标。
  - `'X_tsne'`：t-SNE降维后的坐标。
  - `'X_umap'`：UMAP降维后的坐标。
  - `'X_draw_graph_fr'`：绘图图形的坐标。

- `varm`：变量矩阵，包含与变量相关的矩阵数据。在这个例子中包括：
  - `'PCs'`：主成分分析的主成分。

- `obsp`：观测矩阵中的矩阵，包含与观测相关的矩阵数据。在这个例子中包括：
  - `'distances'`：细胞之间的距离矩阵。
  - `'connectivities'`：细胞之间的连接性矩阵。

这些字段提供了关于单细胞RNA-seq数据集的丰富信息，包括细胞的特征、基因的特征、降维后的坐标、聚类结果等。


# 2. adata
AnnData object with n_obs × n_vars = 700 × 765
    obs: 'bulk_labels', 'n_genes', 'percent_mito', 'n_counts', 'S_score', 'G2M_score', 'phase', 'louvain'
    var: 'n_counts', 'means', 'dispersions', 'dispersions_norm', 'highly_variable'
    uns: 'bulk_labels_colors', 'louvain', 'louvain_colors', 'neighbors', 'pca', 'rank_genes_groups'
    obsm: 'X_pca', 'X_umap'
    varm: 'PCs'
    obsp: 'distances', 'connectivities'

2.2 原始数据可视化

sc.pl.umap(adata_ref, color='louvain')
sc.pl.umap(adata, color='bulk_labels') # obs: 'bulk_labels',

adata_ref 数据可视化

adata 数据可视化

adata_ref.obs和adata.obs

# adata_ref.obs
					n_genes  percent_mito  n_counts          louvain
index                                                             
AAACATACAACCAC-1      781      0.030178    2419.0      CD4 T cells
AAACATTGAGCTAC-1     1352      0.037936    4903.0          B cells
AAACATTGATCAGC-1     1131      0.008897    3147.0      CD4 T cells
AAACCGTGCTTCCG-1      960      0.017431    2639.0  CD14+ Monocytes
AAACCGTGTATGCG-1      522      0.012245     980.0         NK cells
...                   ...           ...       ...              ...
TTTCGAACTCTCAT-1     1155      0.021104    3459.0  CD14+ Monocytes
TTTCTACTGAGGCA-1     1227      0.009294    3443.0          B cells
TTTCTACTTCCTCG-1      622      0.021971    1684.0          B cells
TTTGCATGAGAGGC-1      454      0.020548    1022.0          B cells
TTTGCATGCCTCAC-1      724      0.008065    1984.0      CD4 T cells

# adata.obs
                      bulk_labels  n_genes  percent_mito  n_counts   S_score  G2M_score phase louvain
index                                                                                                
AAAGCCTGGCTAAC-1   CD14+ Monocyte     1003      0.023856    2557.0 -0.119160  -0.816889    G1       1
AAATTCGATGCACA-1        Dendritic     1080      0.027458    2695.0  0.067026  -0.889498     S       1
AACACGTGGTCTTT-1         CD56+ NK     1228      0.016819    3389.0 -0.147977  -0.941749    G1       3
AAGTGCACGTGCTA-1  CD4+/CD25 T Reg     1007      0.011797    2204.0  0.065216   1.469291   G2M       9
ACACGAACGGAGTG-1        Dendritic     1178      0.017277    3878.0 -0.122974  -0.868185    G1       2
...                           ...      ...           ...       ...       ...        ...   ...     ...
TGGCACCTCCAACA-8        Dendritic     1166      0.008840    3733.0 -0.124456  -0.867484    G1       2
TGTGAGTGCTTTAC-8        Dendritic     1014      0.022068    2311.0 -0.298056  -0.649070    G1       1
TGTTACTGGCGATT-8  CD4+/CD25 T Reg     1079      0.012821    3354.0  0.216895  -0.527338     S       0
TTCAGTACCGGGAA-8          CD19+ B     1030      0.014169    2823.0  0.139054  -0.981590     S       4
TTGAGGTGGAGAGC-8        Dendritic     1552      0.010886    4685.0 -0.148449  -0.674752    G1       2

# adata_ref.obs_names
Index(['AAACATACAACCAC-1', 'AAACATTGAGCTAC-1', 'AAACATTGATCAGC-1',
       'AAACCGTGCTTCCG-1', 'AAACCGTGTATGCG-1', 'AAACGCACTGGTAC-1',
       'AAACGCTGACCAGT-1', 'AAACGCTGGTTCTT-1', 'AAACGCTGTAGCCA-1',
       'AAACGCTGTTTCTG-1',
       ...
       'TTTCAGTGTCACGA-1', 'TTTCAGTGTCTATC-1', 'TTTCAGTGTGCAGT-1',
       'TTTCCAGAGGTGAG-1', 'TTTCGAACACCTGA-1', 'TTTCGAACTCTCAT-1',
       'TTTCTACTGAGGCA-1', 'TTTCTACTTCCTCG-1', 'TTTGCATGAGAGGC-1',
       'TTTGCATGCCTCAC-1'],
      dtype='object', name='index', length=2638)

# var_names
Index(['TNFRSF4', 'SRM', 'TNFRSF1B', 'EFHD2', 'C1QA', 'C1QB', 'STMN1',
       'MARCKSL1', 'SMAP2', 'PRDX1',
       ...
       'EIF3D', 'LGALS2', 'ADSL', 'TTC38', 'TYMP', 'ATP5O', 'TTC3', 'SUMO3',
       'S100B', 'PRMT2'],
      dtype='object', name='index', length=208)

也可以看到数据本身还有其他的：

以下信息放置到文章上方，本实例并没有采用。

sc.settings.verbosity = 1             # verbosity: errors (0), warnings (1), info (2), hints (3)
sc.logging.print_versions()
sc.settings.set_figure_params(dpi=80, frameon=False, figsize=(8</