Monocle 3 | 太牛了！单细胞必学R包！~（一）（预处理与降维聚类）

1写在前面

忙碌的一周结束了，终于迎来周末了。🫠

这周的手术真的是做到崩溃，2天的手术都过点了。🫠

真的希望有时间静下来思考一下。🫠

最近的教程可能会陆续写一下Monocle 3，炙手可热啊，欢迎大家分享经验。🥰

2用到的包

rm(list = ls())
library(tidyverse)
library(monocle3)
1

3示例数据

这里我们用一下准备好的示例数据，出自这篇paper：👇

https://www.science.org/doi/10.1126/science.aam8940 IF: 56.9 Q1 B1

expression_matrix <- readRDS("./cao_l2_expression.rds")
cell_metadata <- readRDS("./cao_l2_colData.rds")
gene_annotation <- readRDS("./cao_l2_rowData.rds")

cds <- new_cell_data_set(expression_matrix,
                         cell_metadata = cell_metadata,
                         gene_metadata = gene_annotation)

cds
1

4预处理一下

这里我们过滤一下表达太低的细胞。🧐

cds <- preprocess_cds(cds, num_dim = 100)
cds
1

plot_pc_variance_explained(cds)
1

5细胞聚类

默认使用UMAP哦，当然你也可以选t-SNE。😘

这里有个使用的小技巧，umap.fast_sgd = T可以加速哦，但是能会导致每次运行结果有轻微的差异，仁者见仁吧。🌟

cds <- reduce_dimension(cds,
                        core = 8, 
                        umap.fast_sgd = T)
1

每个点代表一个细胞，注释的话推荐大家手动注释哦。🤩

color_cells_by其实可以是任何一个列名。 🤒

plot_cells(cds, color_cells_by="cao_cell_type")
1

接着我们试试用一组基因来试试。😋

plot_cells(cds, genes=c("cpna-2", "egl-21", "ram-2", "inos-1"))
1

6去除批次效应

我们先看一下板子的降维情况。😅

可以看到批次效应并不是很明显。😏

plot_cells(cds, color_cells_by="plate", label_cell_groups=F)
1

接着我们去除一下batch试试，需要用到align_cds。😂

cds <- align_cds(cds, num_dim = 100, alignment_group = "plate")

cds <- reduce_dimension(cds)

plot_cells(cds, color_cells_by="plate", label_cell_groups=FALSE)
1

7细胞聚类

cds <- cluster_cells(cds, resolution=1e-5)

plot_cells(cds)
1

经过cluster_cells处理后，细胞会被分为partition，大家可以根据partition可视化一下。🤣

plot_cells(cds, color_cells_by="partition", group_cells_by="partition")
1

我们再试试根据细胞类型注释给细胞配色。🤨

plot_cells(cds, color_cells_by="cao_cell_type")
1

8寻找marker gene

marker_test_res <- top_markers(cds, group_cells_by="partition", 
                               reference_cells=1000, cores=8)
1

给结果排个序，这个就根据你自己的需要好了。😘

这里我们根据pseudo_R2试试。😋

top_specific_markers <- marker_test_res %>%
                            filter(fraction_expressing >= 0.10) %>%
                            group_by(cell_group) %>%
                            top_n(1, pseudo_R2)

top_specific_marker_ids <- unique(top_specific_markers %>% pull(gene_id))
1

plot_genes_by_group(cds,
                    top_specific_marker_ids,
                    group_cells_by="partition",
                    ordering_type="maximal_on_diag",
                    max.size=3)
1

实际操作中，我们不可能只看一个marker,多做几个试试吧（考验电脑了）。💻

top_specific_markers <- marker_test_res %>%
                            filter(fraction_expressing >= 0.10) %>%
                            group_by(cell_group) %>%
                            top_n(3, pseudo_R2)

top_specific_marker_ids <- unique(top_specific_markers %>% pull(gene_id))

plot_genes_by_group(cds,
                    top_specific_marker_ids,
                    group_cells_by="partition",
                    ordering_type="cluster_row_col",
                    max.size=3)
1

点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰

📍 🤩 LASSO | 不来看看怎么美化你的LASSO结果吗！？
📍 🤣 chatPDF | 别再自己读文献了！让chatGPT来帮你读吧！~
📍 🤩 WGCNA | 值得你深入学习的生信分析方法！~
📍 🤩 ComplexHeatmap | 颜狗写的高颜值热图代码！
📍 🤥 ComplexHeatmap | 你的热图注释还挤在一起看不清吗！？
📍 🤨 Google | 谷歌翻译崩了我们怎么办！？（附完美解决方案）
📍 🤩 scRNA-seq | 吐血整理的单细胞入门教程
📍 🤣 NetworkD3 | 让我们一起画个动态的桑基图吧~
📍 🤩 RColorBrewer | 再多的配色也能轻松搞定！~
📍 🧐 rms | 批量完成你的线性回归
📍 🤩 CMplot | 完美复刻Nature上的曼哈顿图
📍 🤠 Network | 高颜值动态网络可视化工具
📍 🤗 boxjitter | 完美复刻Nature上的高颜值统计图
📍 🤫 linkET | 完美解决ggcor安装失败方案（附教程）
📍 ......

---

---