单细胞分析

2023-03-27 08:43| 来源: 网络整理| 查看: 265

水滴石穿，非一日之功本期内容同时发布于单细胞天地微信公众号。

在进行单细胞分析时，非常重要的一步就是聚类分群，而在这个过程当中经常令人困惑的是如何选择一个合适的分辨率（resolution），因为分辨率设置过大或过小都不利于我们后续的分析：设置过大会导致分群“过度”，理论上来讲每个细胞都是不同的，但这样过于细化的初步分群显然是没有意义的；相反设置过小会导致我们无法发现一些对我们可能比较重要的细胞亚群，这也丧失了单细胞数据本身的意义。

在这里分享3个可以供大家参考的单细胞数据降维聚类分群的resolution参数选定评估方法：

clustree

marker gene AUC值

ROGUE

上游分析

本次分析所使用的示例数据集为GSE197778，包含四个样本，首先使用Harmony进行批次效应的去除：

library(Seurat) library(harmony) library(dplyr) library(ROGUE) PATH = 'GSE197778' samples = list.files(path = PATH) sce_list = lapply(X = samples, FUN = function(sample){ sce % filter(myAUC > 0.6) %>% count(cluster, name = 'number') ## cluster number ## 1 0 49 ## 2 1 6 ## 3 2 31 ## 4 3 20 ## 5 4 117 ## 6 5 49 ## 7 6 147 ## 8 7 68 ## 9 8 1 ## 10 9 111 ## 11 10 140 #res = 1.5 pbmc3k.final %>% SetIdent(value = 'RNA_snn_res.1.5') %>% FindAllMarkers(test.use = 'roc') %>% filter(myAUC > 0.6) %>% count(cluster, name = 'number') ## cluster number ## 1 0 6 ## 2 1 38 ## 3 2 31 ## 4 3 19 ## 5 4 117 ## 6 5 35 ## 7 6 49 ## 8 7 147 ## 9 8 2 ## 10 9 68 ## 11 10 111 ## 12 11 140 ROGUE

这个方法是由张泽民老师团队开发的，一个很好的、单纯的细胞亚群应该是其中的细胞基因表达具有相似的水平，没有具有显著差异的差异表达基因，ROGUE使用一个基于熵的方法来对一个细胞类群的“纯度”来进行评估。一个细胞类群的ROGUE值表征了该细胞类群的“纯度”：越接近于1表示细胞类群越“纯”，具体细节可以去看张泽民老师的文章：An entropy-based metric for assessing the purity of single cell populations。

首先使用ROGUE内置数据集进行分析：

library(ROGUE) # inner data of package expr

【本文地址】

公司简介

联系我们