图片
媒介Hello小伙伴们巨匠好，我是生信时刻树的小学徒”我才不吃蛋黄“。连着三天手术日，拖更了一天。传闻生信夜班侠在践诺室被背刺（血浆和肿瘤组织的多组学分析揭示了三阴性乳腺癌抗PD-L1免疫诊疗的中枢卵白），见了见世面，深感爱怜。夜班侠是刚从临床到践诺室，我是刚从践诺室驾临床。我比拟运气，来到了一个息争的科室和一个敌对超等好的组，免去了许多东说念主际上的口角。可是在临床上，你还会濒临其他各式问题。各式辛酸，缓缓说念来，加油吧，东北老铁！！！加油吧，诸君践诺室和临床的同（niu）行（ma）！！！
好了，黑货夹带杀青，启动干涉正题。
迷水商城今天是肺腺癌单细胞数据集GSE189357复现系列第二期。第一期咱们走了Seurat V5圭臬经由，诈骗harmony整合去批次后，按圭臬经由进行了降维聚类分群。本期，咱们将在第一期基础上遴荐合乎的分歧率，对细胞亚群进行小心。
迷水商城迷水商城1.配景先容细胞小心是单细胞分析的魂，是一切分析的基石，咱们后续的通盘分析王人是围绕细胞亚群张开的。可是不管是关于生手已经老手来说，细胞小心王人充满了重荷与挑战。
迷水商城迷水商城为什么说细胞小心难，个东说念主合计有以下几点：
一是小心的要道多：咱们不错使用SingleR、Cellassign等用具，这些用具不错通过比拟未知样本与已知细胞类型的参考数据集来自动小心细胞类型。也不错进行手动小心，基于Marker基因的小心：通过识别特定细胞类型的符号基因（Marker genes）来手动小心细胞类型；基于数据库的小心：诈骗如CellMarker、PanglaoDB、CancerSEA等数据库，这些数据库提供了不同细胞类型的符号基因集中。
二是准确度不好把控：单细胞细胞小心的准确度受多种成分影响，包括数据质料、分析要道、使用的符号基因（marker genes）数据库、以及盘考东说念主员的专科常识等。影响成分变量多，准确度就难以把控。
三是无法定名的细胞的照看问题：在单细胞测序数据分析中，只怕分会遭遇无法径直定名的细胞群体，这可能是因为这些细胞群体是新的或未知的细胞类型，大要是由于数据的复杂性导致的。照看无法定名的细胞群体是一个复杂的过程，时时需要多方面的分析和考据。在某些情况下，迷水商城货到付款这些细胞群体可能代表了新的细胞类型，其发现可能对科学畛域有垂死的孝敬，而生手（致使是老手）时常可能会径直把这一部分细胞忽略大要过滤掉。
四是亚群小心定名的些许问题：亚群小心定名容颜有许多，当今贫窭长入的程序。细胞具有千般性，同期，由于咱们对细胞类型的意志仍相对处于相对低级阶段，因此准确的亚群小心仍说念阻且长。
五是莫得参考数据库若何小心：举例生分肿瘤、新测组织类型、新物种等等。
六是比例较低的细胞类型的小心问题：质控严格与否？
迷水商城迷水商城迷水商城2.细胞小心常见的分群细胞十分Maker：
# T Cells (CD3D， CD3E， CD8A)， # B cells (CD19， CD79A， MS4A1 [CD20])， # Plasma cells (IGHG1， MZB1， SDC1， CD79A)， # macrophages (CD68， CD163)，# 'CCL3L1' ， #M2# 'FABP4'， #M1# Monocytes (CD14)，# NK Cells (FGFBP2， FCG3RA， CX3CR1)，猎艳哪里有卖的 # Photoreceptor cells (RCVRN)， # Fibroblasts (FGF7， MME)， # Neutrophil ('G0S2'， 'S100A9'，'S100A8'，'CXCL8')# Endothelial cells (PECAM1， VWF). # epi or tumor (EPCAM， KRT19， PROM1， ALDH1A1， CD24).# immune (CD45+，PTPRC)， epithelial/cancer (EpCAM+，EPCAM)， # stromal (CD10+，MME，fibo or CD31+，PECAM1，endo)
时时咱们第一档次降维聚类分群，不错将细胞分为三大类，包括：
immune (CD45+，PTPRC)，epithelial/cancer (EpCAM+，EPCAM)，stromal (CD10+，MME，fibro or CD31+，PECAM1，endo)原文中提供的王人是常见的细胞群：上皮细胞（EPCAM、KRT19、CLDN4）、基质（PECAM1、CLO1A2、VWF）、增殖性（MKI67、STMN1、PCNA）、T（CD3D、CD3E、CD2）、B（CD79A，IGHG1，MS4A1），NK（KLRD1、GNLY、KLRF1）和髓系（CSF1R、CSF3R、CD68）细胞。
迷水商城迷水商城
阮囊憨涩，启动今天的代码运行：
2.1 当先加载R资源和单细胞数据，并建立分歧率：rm(list=ls())source('scRNA_scripts/lib.R')source('scRNA_scripts/mycolors.R')sce.all.int = readRDS('2-harmony/sce.all_int.rds') sel.clust = "RNA_snn_res.0.5"sce.all.int <- SetIdent(sce.all.int， value = sel.clust)table(sce.all.int@active.ident) colnames(sce.all.int@meta.data) 2.2 创建新的文献夹，建立需要可视化的Maker，绘画分群气泡图：dir.create("./3-Celltype")setwd("./3-Celltype")scRNA=sce.all.intgenes_to_check = c('EPCAM'，'KRT19'，'CLDN4'，'SCGB1A1'， #上皮 'PECAM1' ， 'CLO1A2'， 'VWF'， #基质 'CDH5'， 'PECAM1'， 'VWF'，'CLDN5'， #内皮 'LUM' ， 'FGF7'， 'MME'， #成纤维 'CD3D'， 'CD3E'， 'CD8A'， 'CD4'，'CD2'， #T 'AIF1'， 'C1QC'，'C1QB'，'LYZ'， #巨噬 'MKI67'， 'STMN1'， 'PCNA'， #增殖 'CPA3' ，'CST3'， 'KIT'， 'TPSAB1'，'TPSB2'，#肥硕 'GOS2'， 'S100A9'，'S100A8'，'CXCL8'， #中性粒细胞 'KLRD1'， 'GNLY'， 'KLRF1'，'AREG'， 'XCL2'，'HSPA6'， #NK 'MS4A1'，'CD19'， 'CD79A'，'IGHG1'，'MZB1'， 'SDC1'， #B 'IGHD'， #MALT B 'CSF1R'， 'CSF3R'， 'CD68') #髓系library(stringr) genes_to_check=str_to_upper(genes_to_check)genes_to_checkp = DotPlot(scRNA， features = unique(genes_to_check)， assay='RNA' ) + coord_flip()p#ggsave('check_last_markers.pdf'，height = 11，width = 11)图片
2.3 望望遴荐的resolution的umap散播情况####构建左下角坐标轴source('../scRNA_scripts/Bottom_left_axis.R')result <- left_axes(scRNA)axes <- result$axeslabel <- result$labelumap =DimPlot(scRNA， reduction = "umap"，cols = my36colors，pt.size = 0.8， group.by = "RNA_snn_res.0.5"，label = T，label.box = T) + NoAxes() + theme(aspect.ratio = 1) + geom_line(data = axes， aes(x = x，y = y，group = group)， arrow = arrow(length = unit(0.1， "inches")， ends="last"， type="closed")) + geom_text(data = label， aes(x = x，y = y，angle = angle，label = lab)，fontface = 'italic')+ theme(plot.title = element_blank())umapggsave('RNA_snn_res.0.5_umap.pdf'，width = 9，height = 7)图片
2.4 望望样分内组的umap##图中的标签和方框王人是不错自界说的，举例底下这副删掉label和label.boxsample_umap =DimPlot(scRNA， reduction = "umap"，cols = my36colors，pt.size = 0.8， group.by = "sample") + NoAxes() + theme(aspect.ratio = 1) + geom_line(data = axes， aes(x = x，y = y，group = group)， arrow = arrow(length = unit(0.1， "inches")， ends="last"， type="closed")) + geom_text(data = label， aes(x = x，y = y，angle = angle，label = lab)，fontface = 'italic')+ theme(plot.title = element_blank())sample_umapggsave('sample_umap.pdf'，width = 9，height = 7)图片
umap+sample_umap
图片
强效春药加微信2.5 东说念主工肉眼小心亚群#####细胞生物学定名celltype=data.frame(ClusterID=0:22， celltype= 0:22) # 这里激烈依赖于生物学配景，看dotplot的基因抒发量情况来东说念主工审查单细胞亚群名字celltype[celltype$ClusterID %in% c(3，6，9，13，14，15，16，20，22 )，2]='Myeloid'celltype[celltype$ClusterID %in% c( 5，11，12，17，19 )，2]='Epithelial'celltype[celltype$ClusterID %in% c(0，1，21)，2]='T&NK'celltype[celltype$ClusterID %in% c( 8 )，2]='Fibro'celltype[celltype$ClusterID %in% c( 18 )，2]='Proliferative'celltype[celltype$ClusterID %in% c( 10 )，2]='Plasma'celltype[celltype$ClusterID %in% c( 2)，2]='B'celltype[celltype$ClusterID %in% c( 7 )，2]='Endothelial'celltype[celltype$ClusterID %in% c( 4)，2]='Mast'table(scRNA@meta.data$RNA_snn_res.0.5)table(celltype$celltype)scRNA@meta.data$celltype = "NA"for(i in 1:nrow(celltype)){ scRNA@meta.data[which(scRNA@meta.data$RNA_snn_res.0.5 == celltype$ClusterID[i])，'celltype'] <- celltype$celltype[i]}table(scRNA@meta.data$celltype)th=theme(axis.text.x = element_text(angle = 45， vjust = 0.5， hjust=0.5)) library(patchwork)celltype_umap =DimPlot(scRNA， reduction = "umap"，cols = my36colors，pt.size = 0.8， group.by = "celltype"，label = T) + NoAxes() + theme(aspect.ratio = 1) + geom_line(data = axes， aes(x = x，y = y，group = group)， arrow = arrow(length = unit(0.1， "inches")， ends="last"， type="closed")) + geom_text(data = label， aes(x = x，y = y，angle = angle，label = lab)，fontface = 'italic')+ theme(plot.title = element_blank())celltype_umapggsave('umap_by_celltype.pdf'，width = 9，height = 7)图片
迷水商城迷水商城saveRDS(scRNA， "sce_celltype.rds")setwd('../')结语本期，咱们遴荐resolution=0.5对肺腺癌单细胞数据集GSE189357进行了手工细胞分群小心。细胞小心的容颜有许多，确定请参照单细胞寰球前期推文：单细胞测序最佳的教程（六）：细胞类型小心。下一期，咱们将在本期基础上对细胞类型及基因进行可视化，使用多种可视化要道，绘画DimPlot，FeaturePlot，ggplot，DoHeatmap图，接待巨匠抓续追更，谢谢！
图片
本站仅提供存储干事，通盘实质均由用户发布，如发现存害或侵权实质，请点击举报。