0


Seurat | 强烈建议收藏的单细胞分析标准流程(基础质控与过滤)(一)

1. 写在前面

作为现在最火

scRNAseq

分析包,

Seurat

当之无愧。😘
本期开始我们介绍一下

Seurat

包的用法,先从

基础质控

过滤

开始吧。🥳

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

3.1 读取10X文件

这里我们提供一个转成

gene symbols

的可读文件,如果大家拿到的是

Ensemble ID

,可以用之前介绍的方法进行转换。

adj.matrix <- Read10X("./soupX_pbmc10k_filt")


3.2 创建Seurat对象

srat <- CreateSeuratObject(adj.matrix,project = "pbmc10k") 
srat


3.3 查看Seurat对象

str(srat)

4. 提取meta.data

这里我们提取一下

meta.data

,顺便查看一下表头,主要是三列: 👇

  • dataset ID
  • UMI/cell (nCount_RNA);
  • detected genes/cell (nFeature_RNA)。
meta <- [email protected]
head(meta)

5.添加信息

5.1 添加线粒体基因信息

不知道大家还记得线粒体基因吗???🤒

scRNA-seq

中,线粒体基因高表达往往代表细胞状态不佳。🧐

srat[["percent.mt"]] <- PercentageFeatureSet(srat, pattern = "^MT-")

head(srat$percent.mt)


5.2 添加核糖体基因信息

这里我们试一下添加

核糖体基因

的信息。👀

srat[["percent.rb"]] <- PercentageFeatureSet(srat, pattern = "^RP[SL]")

head(srat$percent.rb)

6. 去除双细胞

scRNAseq

理想情况是每个

barcode

下只有一个细胞,但在实际情况中会有两个多个细胞共用一个

barcode

,我们称之为

doublets

。🫠

识别并去除

doublets

的方法很多,常用的有:👇

  • Scrublet;
  • doubletCells;
  • cxds;
  • bcds;
  • Hybrid;
  • DoubletDetection;
  • DoubletFinder;
  • Solo;
  • DoubletDecon

这里推荐大家使用

DoubletFinder

,我们就不进行演示了,以后再做具体介绍。🤗

因为我们事先使用

Scrublet

做过处理了,这里就直接导入准备好的文件吧。

doublets <- read.table("./scrublet_calls.tsv",header = F,row.names = 1)
colnames(doublets) <- c("Doublet_score","Is_doublet")
srat <- AddMetaData(srat,doublets)
head(srat[[]])

7. 可视化

7.1 小提琴图

这里我们用

VlnPlot

探索一下特征的分布情况。

VlnPlot(srat, 
        fill.by = "feature", # "feature", "ident"
        features = c("nFeature_RNA","nCount_RNA","percent.mt","percent.rb"),
        ncol = 4, pt.size = 0.1) +
  theme(plot.title = element_text(size=10))


7.2 散点图

这里利用

散点图

,我们看一下不同变量间的相关性

FeatureScatter(srat, feature1 = "nCount_RNA", feature2 = "percent.mt")


FeatureScatter(srat, feature1 = "nCount_RNA", feature2 = "nFeature_RNA")


FeatureScatter(srat, feature1 = "nCount_RNA", feature2 = "percent.rb")


FeatureScatter(srat, feature1 = "percent.rb", feature2 = "percent.mt")


FeatureScatter(srat, feature1 = "nFeature_RNA", feature2 = "Doublet_score")

Note!

  • 这里我们可以看到高线粒体基因与低UMI计数相关,可以理解为死细胞。 🫠
  • 再看一下核糖体基因与线粒体基因,显著负相关。 😉
  • doublet基因表达数之间也有一定的相关性

8. 添加信息

8.1 过滤

接着我们定义一下过滤条件,将质量差非单细胞的数据剔除掉。🫵

srat[['QC']] <- ifelse([email protected]$Is_doublet == 'True',
                       'Doublet','Pass')

srat[['QC']] <- ifelse([email protected]$nFeature_RNA < 500 & 
                       [email protected]$QC == 'Pass',
                       'Low_nFeature', [email protected]$QC
                       )

srat[['QC']] <- ifelse([email protected]$nFeature_RNA < 500 & 
                       [email protected]$QC != 'Pass' & 
                       [email protected]$QC != 'Low_nFeature',
                       paste('Low_nFeature', [email protected]$QC, sep = ','),
                       [email protected]$QC
                       )

srat[['QC']] <- ifelse([email protected]$percent.mt > 15 &
                       [email protected]$QC == 'Pass',
                       'High_MT',[email protected]$QC
                       )

srat[['QC']] <- ifelse([email protected]$nFeature_RNA < 500 &
                       [email protected]$QC != 'Pass' & 
                       [email protected]$QC !='High_MT',
                       paste('High_MT',[email protected]$QC,sep = ','),
                       [email protected]$QC
                       )

table(srat[['QC']])

8.2 可视化

这里我们只将通过过滤条件的数据展示出来,大家可以和过滤前的比较一下。

VlnPlot(subset(srat, subset = QC == 'Pass'), 
        features = c("nFeature_RNA", "nCount_RNA", "percent.mt","percent.rb"), 
        ncol = 4, pt.size = 0.1) +
  theme(plot.title = element_text(size=10))


花蛤
最后祝大家早日不卷!~


需要示例数据的小伙伴,在公众号回复

Seurat

获取吧!

点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰


本文转载自: https://blog.csdn.net/m0_72224305/article/details/127385534
版权归原作者 生信漫卷 所有, 如有侵权,请联系我们删除。

“Seurat | 强烈建议收藏的单细胞分析标准流程(基础质控与过滤)(一)”的评论:

还没有评论