单细胞CNV分析-copyKAT

Posted 2023-05-16

参考技术A

对于肿瘤的单细胞样本，在做完细胞质控和细胞类型鉴定之后，可以进入CNV分析。

在统计学上，CopyKAT将贝叶斯方法与层次聚类相结合，计算单个细胞的基因组拷贝数分布，并从高通量单细胞转录组数据中定义克隆子结构。
首先，单细胞转录组数据的Unique Molecular Identifier(UMI)的基因表达矩阵作为CopyKAT的输入，通过它们的基因组坐标对它们进行排序，并对基因的排列进行注释。之后，用Freeman-Tukey变换来稳定方差，然后采用多项式动态线性建模矫正单细胞UMI计数矩阵中的异常值。
下一步是建立一个高可信度的正常二倍体细胞子集，用来推测正常二倍体细胞的拷贝数基线值。为此，研究人员将所有单细胞集中到几个小的亚群分类中，并使用高斯混合模型估算每个分类的方差。通过严格的分类标准，具有最小估计方差的聚类被定义为“标准的二倍体细胞”。
为了检测染色体断点，他们整合泊松-伽玛模型和马尔可夫链蒙特卡罗迭代生成每个基因窗口的后验均值，然后应用Kolmogorov-Smirnov检验对均值无显著差异的相邻窗口进行合并，然后计算每个窗口的最终拷贝数值，以此作为跨越每个细胞中相邻染色体断点的所有基因的后验平均值。

⚠️：做CNV输入的是原始的count数据。有文献提示，使用count数据和log后的data数据来做分析没有什么差别（copyKAT和inferCNV都是），但还是建议使用count数据，因为它自己会进行log标准化。

copyKAT进行CNV分析不需要给正常的/恶性的参考细胞，它会自己从数据集中判断哪些是最接近于2倍体的正常细胞，以正常细胞为参考，其他细胞跟正常细胞相比来推测CNV变异。

上一步运行得到的cnv的结构：

把神经元细胞分成了恶性的和非恶性的，可以看到，非恶性的有23个，恶性的有91个。

后续可以根据需要使用subset将恶性细胞提出来进行后续更深入的分析。

跟着Cell学单细胞转录组分析(七):细胞亚群分析及细胞互作

参考技术A

想获取更多，请至公众号-KS科研分享与服务-

其实之前我们细胞的分群是很粗糙的，只是一个大概的方向，随着深入的研究，需要对特定细胞的更多亚群进行分析，这里我们选择免疫细胞进行分析，主要是为了跟随文章的脚步，也好完成后续一些示例，比如细胞互作，转录因子、拟时分析等。

首先提取免疫细胞群，然后跑一遍Seurat流程，重新聚类分群。

查看下免疫细胞marker的表达。

然后对细胞进行定群。

以上并不是新内容，亚群分析之后还可以和之前一样，做比例等。不过今天这里我们演示下细胞互作，用Cellcall这个比较简单的包。

=============================================

将GM和BM分开做互作，可以看看不同状态下细胞互作之间的区别。

BM的互作结果为，变化还是挺大的。

除了这些，cellcall还可以做其他的事情，具体参考：

https://github.com/ShellyCoder/cellcall

做细胞互作的工具很多，比如iTALK，Cellchat，CellphoneDB等，感兴趣的可以自己取探索下。好了，今天的分享就到这里了，其实这篇分享不是很严谨，主要是演示单细胞数据进一步分析思路，希望对大家有启发。