摘要一文介绍单细胞测序生物信息分析完整流程，这可能是最新也是最全的流程 基础流程（cellranger）cellranger 数据拆分cellranger mkfastq可用于将单细胞测序获得的 BCL 文件拆分为可以识别的 fastq 测序数据
cellranger makefastq --run=[ ] --samplesheet=[sample.csv] --jobmode=local --localcores=20 --localmem=80
-–run ：是下机数据 BCL 所在的路径；
-–samplesheet ：样品信息列表--共三列（lane id ,sample name ,index name)
注意要控制好核心数和内存数
运行产出结果存在于 out 目录中 cellranger 数据统计cellranger count是 cellranger 最主要也是最重要的功能：完成细胞和基因的定量，也就是产生了我们用来做各种分析的基因表达矩阵。
cellranger count -–id=sample345 -–transcriptome=/opt/refdata-cellranger-GRCh38-1.2.0/GRCh38 -–fastqs=/home/jdoe/runs/HAWT7ADXX/outs/fastq_path -–indices=SI-3A-A1 –-cells=1000
id ：产生的结果都在这个文件中，可以取几号样品（如 sample345）；
fastqs ：由 cellranger mkfastq 产生的 fastqs 文件夹所在的路径；fastqs ：由 cellranger mkfastq 产生的 fastqs 文件夹所在的路径；
indices：sample index：SI-3A-A1；
transcriptome：参考转录组文件路径；
cells：预期回复的细胞数；
下游分析cellranger count计算的结果只能作为初步观测的结果，如果需要进一步分析聚类细胞，还需要进行下游分析，这里使用官方推荐 R 包（Seurat 3.1）
流程参考官方（外周血分析标准流程） 软件安装install.packages('Seurat')
library(Seurat)
生成 Seruat 对象library(dplyr)
library(Seurat)
# Load the PBMC dataset
pbmc.data <- Read10X(data.dir = "../data/pbmc3k/filtered_gene_bc_matrices/hg19/")
# Initialize the Seurat object with the raw (non-normalized data).
pbmc <- CreateSeuratObject(counts = pbmc.data, project = "pbmc3k", min.cells = 3, min.features = 200)
pbmc
## An object of class Seurat
## 13714 features across 2700 samples within 1 assay
## Active assay: RNA (13714 features)
这里读取的是单细胞 count 结果中的矩阵目录；
在对象生成的过程中，做了初步的过滤；
留下所有在>=3 个细胞中表达的基因 min.cells = 3；
为了除去一些质量差的细胞,留下所有检测到>=200 个基因的细胞 min.genes = 200。
标准预处理流程# The [[ operator can add columns to object metadata. This is a great place to stash QC stats
pbmc[["percent.mt"]] <- PercentageFeatureSet(object = pbmc, pattern = "^MT-")
这一步 mit-开头的为线粒体基因，这里将其进行标记并统计其分布频率 # Visualize QC metrics as a violin plot
VlnPlot(object = pbmc, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)
对 pbmc 对象做小提琴图，分别为基因数，细胞数和线粒体占比
pbmc <- subset(x = pbmc, subset = nFeature_RNA > 200 & nFeature_RNA < 2500 & percent.mt < 5)
接下来，根据图片中基因数和线粒体数，分别设置过滤参数，这里基因数 200-2500，线粒体百分比为小于 5% 数据标准化pbmc <- NormalizeData(object = pbmc, normalization.method = "LogNormalize", scale.factor = 10000)
pbmc <- NormalizeData(object = pbmc)
鉴定高度变化基因pbmc <- FindVariableFeatures(object = pbmc, selection.method = "vst", nfeatures = 2000)
# Identify the 10 most highly variable genes
top10 <- head(x = VariableFeatures(object = pbmc), 10)
# plot variable features with and without labels
plot1 <- VariableFeaturePlot(object = pbmc)
plot2 <- LabelPoints(plot = plot1, points = top10, repel = TRUE)
CombinePlots(plots = list(plot1, plot2))
数据归一化all.genes <- rownames(x = pbmc)
pbmc <- ScaleData(object = pbmc, features = all.genes)
这里设置对所有的基因都做了scale,但是需要知道的是，其实后续的分析都是基于高变基因的，因此，使用默认参数就可以了，而且提升效率。 pbmc <- ScaleData(object = pbmc)
线形降维pbmc <- RunPCA(object = pbmc, features = VariableFeatures(object = pbmc))
这里有多种方法展示 pca 结果，本文采用最简单的方法 DimPlot(object = pbmc, reduction = "pca")
鉴定数据集的可用维度pbmc <- JackStraw(object = pbmc, num.replicate = 100)
pbmc <- ScoreJackStraw(object = pbmc, dims = 1:20)
JackStrawPlot(object = pbmc, dims = 1:15)
虚线以上的为可用维度，你也可以调整 dims 参数，画出所有 pca 查看 另外一种鉴定手段是绘制所有PC的分布点图 大多数软件都是通过拾取拐点处的pc作为选定数目 细胞聚类pbmc <- FindNeighbors(object = pbmc, dims = 1:10)
pbmc <- FindClusters(object = pbmc, resolution = 0.5)
这里的 dims 为上一步计算所用的维度数，而 resolution 参数控制聚类的数目，针对3K的细胞数目，最好的范围是0.4-1.2 ## AAACATACAACCAC AAACATTGAGCTAC AAACATTGATCAGC AAACCGTGCTTCCG AAACCGTGTATGCG
## 1 3 1 2 6
## Levels: 0 1 2 3 4 5 6 7 8
执行非线性降维这里注意，这一步聚类有两种聚类方法(umap/tSNE)，两种方法都可以使用，但不要混用，这样，后面的结算结果会将先前的聚类覆盖掉，只能保留一个
本文采用基于umap的聚类方法 pbmc <- RunUMAP(object = pbmc, dims = 1:10)
DimPlot(object = pbmc, reduction = "umap")
完成聚类后，一定要记住保存数据，不然重新计算可要头疼了 saveRDS(pbmc, file = "../output/pbmc_tutorial.rds")
寻找每个聚类中显著表达的基因cluster1.markers <- FindMarkers(object = pbmc, ident.1 = 1, min.pct = 0.25)
head(x = cluster1.markers, n = 5)
这样是寻找单个聚类中的显著基因 cluster5.markers <- FindMarkers(object = pbmc, ident.1 = 5, ident.2 = c(0, 3), min.pct = 0.25)
head(x = cluster5.markers, n = 5)
这样寻找所有聚类中显著基因，计算速度很慢，需要等待 另外，我们有多种方法统计基因的显著性 FeaturePlot(object = pbmc, features = c("MS4A1", "GNLY", "CD3E", "CD14", "FCER1A", "FCGR3A", "LYZ",
"PPBP", "CD8A"))
top10 <- pbmc.markers %>% group_by(cluster) %>% top_n(n = 10, wt = avg_logFC)
DoHeatmap(object = pbmc, features = top10$gene) + NoLegend()
剩下的便是寻找基因 marker 并对细胞类型进行注释 你可能想要知道如何对多样本进行整合分析，请参考教程：整合刺激性和对照性PBMC数据集，以学习细胞类型特异性反应
你可能想了解如何灵活操作Seurat的S4对象，以便轻松的提取表达矩阵；亦或者想要做一些不一样的可视化效果，例如采用平均表达量做热图展示等，请参考Seurat3.1的灵活操作指南
你可能想对单细胞数据做进一步分析，例如功能分析，请参考10X单细胞数据针对细胞及其亚型的基因集功能分析和转录调控分析
全自动细胞类型注释众所周知，细胞类型的注释是最困难的一步，除非你有很强的对细胞基因的敏感度，不然很难识别细胞类型。 通常识别细胞类型的方法主要有三种 这里简单介绍下SingleR SingleR:一个全自动细胞注释的 R 包，用法很简单
软件安装BiocManager::install("SingleR")
browseVignettes("SingleR")
创建 SingleR 对象从头预测的方法请参考官方教程 因为我们刚刚从Seurat过来的，所以我们应该很想知道Seurat cluster 的细胞注释结果，因此，对Seurat的结果进行注释 我们这里采用两个人类的参考集去做细胞注释 library(Seurat)
library(SingleR)
library(dplyr)
library(tibble)
hpca.se <- HumanPrimaryCellAtlasData()
bpe.se <- BlueprintEncodeData()
读入Seurat对象转换为SingleCell支持的对象 seurat.obj <- readRDS("../output/pbmc_tutorial.rds")
seurat.obj@meta.data$cell.type <- Idents(seurat.obj)
test <- as.SingleCellExperiment(seurat.obj)
采用两个参考集一起进行注释 Anno <- SingleR(test = test,
ref = list(HP = hpca.se , BP = bpe.se),
labels = list(hpca.se$label.main , bpe.se$label.main),
method = "cluster",
cluster = test$cell.type)
提取需要的细胞分类信息 Anno$cluster <- rownames(Anno)
fin <- Anno %>% dplyr::tbl_df() %>% dplyr::select(cluster,labels)
你也可以将细胞注释信息重新添加到Seurat对象中去 new.cluster.ids <- fin$labels
names(new.cluster.ids) <- levels(seurat.obj)
seurat.obj <- RenameIdents(seurat.obj, new.cluster.ids)
伪时间分析伪时间分析建议采用monocle3软件 软件安装##安装依赖
BiocManager::install(c('BiocGenerics', 'DelayedArray', 'DelayedMatrixStats',
'limma', 'S4Vectors', 'SingleCellExperiment',
'SummarizedExperiment', 'batchelor'))
##安装monocle3
devtools::install_github('cole-trapnell-lab/leidenbase')
devtools::install_github('cole-trapnell-lab/monocle3')
library(monocle3)
标准分析流library(Seurat)
library(monocle3)
endo<-readRDS("../output/pbmc_tutorial.rds")
data <- endo@assays$RNA@counts
pd <- endo@meta.data
不要直接把meta.data放入pd中去，太多没用的信息了，先清理下 new_pd<-select(pd,nCount_RNA,nFeature_RNA,percent.mt)
new_pd$Cell.type<-Idents(endo)
head(new_pd)
nCount_RNA nFeature_RNA percent.mt
AAACCTGGTATCAGTC-1_1 4835 1383 3.536711
AACCGCGCATTCCTGC-1_1 4029 1230 2.655746
AACGTTGAGCCCAATT-1_1 2576 918 3.377329
AAGACCTGTGGTTTCA-1_1 2841 1044 5.455825
AAGTCTGCATGAAGTA-1_1 3731 1213 3.886358
ACAGCCGCATCGGACC-1_1 5915 1918 3.043111
Cell.type
AAACCTGGTATCAGTC-1_1 DC2
AACCGCGCATTCCTGC-1_1 MDSC
AACGTTGAGCCCAATT-1_1 MDSC
AAGACCTGTGGTTTCA-1_1 Dendritic.cells.activated
AAGTCTGCATGAAGTA-1_1 MDSC
ACAGCCGCATCGGACC-1_1 Dendritic.cells.activated
fData <- data.frame(gene_short_name = row.names(data), row.names = row.names(data))
生成monocle的cds对象 cds <- new_cell_data_set(data,cell_metadata = new_pd,gene_metadata = fData)
运行下游标准流程，无论如何都得跑，是必须的默认流程 cds <- preprocess_cds(cds, num_dim = 30)
#umap
cds <- reduce_dimension(cds,umap.n_neighbors = 20L)
#color by seurat cluster
plot_cells(cds,label_groups_by_cluster=FALSE,color_cells_by = "Cell.type")
#cluster
cds <- cluster_cells(cds,resolution = 0.5)
#color by monocle cluster
plot_cells(cds, color_cells_by = "partition",label_groups_by_cluster=FALSE)
cds <- learn_graph(cds)
plot_cells(cds,color_cells_by = "Cell.type",label_groups_by_cluster=FALSE,label_leaves=TRUE,label_branch_points=TRUE)
定义时间开始节点&&伪时间分析##一个有用的寻找起源节点的函数
get_earliest_principal_node <- function(cds, time_bin="Dendritic.cells.activated"){
cell_ids <- which(colData(cds)[, "Cell.type"] == time_bin)
closest_vertex <-
cds@principal_graph_aux[["UMAP"]]$pr_graph_cell_proj_closest_vertex
closest_vertex <- as.matrix(closest_vertex[colnames(cds), ])
root_pr_nodes <-
igraph::V(principal_graph(cds)[["UMAP"]])$name[as.numeric(names
(which.max(table(closest_vertex[cell_ids,]))))]
root_pr_nodes
}
#order cell
cds <- order_cells(cds, root_pr_nodes=get_earliest_principal_node(cds))
#pseudotime analysis
plot_cells(cds,color_cells_by = "pseudotime",label_cell_groups=FALSE,label_leaves=FALSE,label_branch_points=FALSE,graph_label_size=1.5)
|
