单细胞SingleR鉴定细胞类型

Posted 2023-04-11

参考技术A SingleR 是用于单细胞RNA测序（scRNAseq）数据的自动注释方法（Aran et al.2019）。给定具有已知标签的样本（单细胞或RNAseq）参考数据集，它将基于与参考数据的相似性标记测试数据集中的新细胞。具体来说，对于每个测试单元：

SingleR 通过专用的数据检索功能提供了多个参考数据集（主要来自大量RNA-seq或微阵列数据）。例如，我们使用 HumanPrimaryCellAtlasData() 函数从人类原代细胞图集获得参考数据，该函数返回一个 SummarizedExperiment 对象，该对象包含带有样本级标签的对数表达值矩阵。

我们的测试数据集将取自La Manno et al. (2016)。
为了提高速度，我们只选取100个细胞来标记细胞类型。

默认的检测marker的方法是largest positive log-fold changes in the per-label medians for each gene.
输出的每一行都包含单个细胞的预测结果。在 fine-tuning（first.labels）之前， fine-tuning（）之后labels和after pruning （pruned.labels）之后的细胞标签，以及相关的分数。

统计细胞个数

在这里，我们将使用两个人类胰腺数据集。目的是使用一个预先标记的数据集注释另一个未标记的数据集。

SingleR() ，与之前一样的用法，但是这次使用了marker检测模式，该模式考虑了跨细胞种类表达的差异。在这里，将使用Wilcoxon ranked sum test来识别marker。与默认检测算法相比，此方法更慢，但更适合单细胞数据。

SingleR 提供了强大的可视化工具。 plotScoreHeatmap() 显示所有参考标签上的分数，这使用户可以检查整个数据集中预测标签的置信度。每个细胞的实际分配标签显示在顶部。理想情况下，每个cell（即热图的一列）应具有一个明显大于其余得分的分数，表明已将其明确分配给标签。

欢迎关注！

reference:
https://www.nature.com/articles/s41590-018-0276-y
https://bioconductor.org/packages/devel/bioc/vignettes/SingleR/inst/doc/SingleR.html

跟着Cell学单细胞转录组分析(五):单细胞转录组marker基因鉴定及细胞群注释

参考技术A 书接上回（ 跟着Cell学单细胞转录组分析(四):单细胞转录组测序UMAP降维聚类 ）。完成数据降维和细胞聚类后，最主要的环节和工作就是确定各个细胞群，明确是什么类型的细胞，正群的细胞定群很关键，涉及到整个研究，所以这一步宁愿多费时间，也不要出错。当然，这也不是一蹴而就的，需要反复的确认。

要确定各个群是什么细胞，首先需要了解细胞群的marker基因，因为不同类型的细胞突出 表达的基因也是不同的。这里使用FindAllMarkers鉴定各个细胞群的高表达基因。

Seurat提供了几种函数例如FeaturePlot()、DotPlot()和DoHeatmap()，按照文章中的mrker基因，做一下可视化。

点图：

UMAP图：

热图：

很显然，这些都是默认出图，距离发文章还是有一定距离的，后期我们会专门讲解个性化的修饰，争取可视化更好。

接下来就是细胞定群了，对各个细胞群命名。细胞定群有很多方法，目前也有很多工具，但是依照我的经验，自动定群等一般结果不是完全正确，况且操作复杂，为了保证正确性，最使用的办法还是查询文献定群。定群后，对细胞群重命名。

最后将命名的文件保存，可视化细胞群！在进行下一步工作之前，之后的内容将会是对目前这些图形结果的修饰和个性化可视化！