大秀坊直播连接
发布日期：2025-12-17 13:35 点击次数：94图片大秀坊直播连接大秀坊直播连接
媒介Hello小伙伴们公共好，我是生信手段树的小学徒”我才不吃蛋黄“。连着三天手术日，拖更了一天。外传生信夜班侠在本质室被背刺（血浆和肿瘤组织的多组学分析揭示了三阴性乳腺癌抗PD-L1免疫调养的中枢卵白），见了见世面，深感哀怜。夜班侠是刚从临床到本质室，我是刚从本质室驾临床。我比拟红运，来到了一个和谐的科室和一个憎恶超等好的组，免去了许多东谈主际上的口舌。然而在临床上，你还会濒临其他各式问题。各式辛酸，逐渐谈来，加油吧，东北老铁！！！加油吧，诸君本质室和临床的同（niu）行（ma）！！！
好了，黑货夹带杀青，运转干涉正题。
今天是肺腺癌单细胞数据集GSE189357复现系列第二期。第一期咱们走了Seurat V5时势过程，愚弄harmony整合去批次后，按时势过程进行了降维聚类分群。本期，咱们将在第一期基础上聘用得当的诀别率，对细胞亚群进行驻防。
1.布景先容细胞驻防是单细胞分析的魂,是一切分析的基石，咱们后续的扫数分析皆是围绕细胞亚群伸开的。然而不管是关于生手还是老手来说，细胞驻防皆充满了难题与挑战。
为什么说细胞驻防难，个东谈主以为有以下几点：
一是驻防的才能多：咱们不错使用SingleR、Cellassign等用具，这些用具不错通过比拟未知样本与已知细胞类型的参考数据集来自动驻防细胞类型。也不错进行手动驻防，基于Marker基因的驻防：通过识别特定细胞类型的标志基因（Marker genes）来手动驻防细胞类型；基于数据库的驻防：愚弄如CellMarker、PanglaoDB、CancerSEA等数据库，这些数据库提供了不同细胞类型的标志基因聚积。
二是准确度不好把控：单细胞细胞驻防的准确度受多种身分影响，包括数据质料、分析才能、使用的标志基因（marker genes）数据库、以及商讨东谈主员的专科常识等。影响身分变量多，准确度就难以把控。
三是无法定名的细胞的管束问题：在单细胞测序数据分析中，只怕代会遭受无法径直定名的细胞群体，这可能是因为这些细胞群体是新的或未知的细胞类型，好像是由于数据的复杂性导致的。管束无法定名的细胞群体是一个复杂的过程，常常需要多方面的分析和考据。在某些情况下，泰国按摩群这些细胞群体可能代表了新的细胞类型，其发现可能对科学限制有环节的孝敬，而生手（甚而是老手）时时可能会径直把这一部分细胞忽略好像过滤掉。
四是亚群驻防定名的多少问题：亚群驻防定名神情有许多，现在枯竭调解的标准。细胞具有各种性，同期，由于咱们对细胞类型的意识仍相对处于相对低级阶段，因此准确的亚群驻防仍谈阻且长。
五是莫得参考数据库若何驻防：举例苦楚肿瘤、新测组织类型、新物种等等。
六是比例较低的细胞类型的驻防问题：质控严格与否？
2.细胞驻防常见的分群细胞偏激Maker：
# T Cells (CD3D, CD3E, CD8A), # B cells (CD19, CD79A, MS4A1 [CD20]), # Plasma cells (IGHG1, MZB1, SDC1, CD79A), # macrophages (CD68, CD163),# 'CCL3L1' , #M2# 'FABP4', #M1# Monocytes (CD14),# NK Cells (FGFBP2, FCG3RA, CX3CR1), # Photoreceptor cells (RCVRN), # Fibroblasts (FGF7, MME), # Neutrophil ('G0S2', 'S100A9','S100A8','CXCL8')# Endothelial cells (PECAM1, VWF). # epi or tumor (EPCAM, KRT19, PROM1, ALDH1A1, CD24).# immune (CD45+,PTPRC), epithelial/cancer (EpCAM+,EPCAM), # stromal (CD10+,MME,fibo or CD31+,PECAM1,endo) 常常咱们第一档次降维聚类分群，不错将细胞分为三大类，包括：
immune (CD45+,PTPRC),epithelial/cancer (EpCAM+,EPCAM),stromal (CD10+,MME,fibro or CD31+,PECAM1,endo)原文中提供的皆是常见的细胞群：上皮细胞（EPCAM、KRT19、CLDN4）、基质（PECAM1、CLO1A2、VWF）、增殖性（MKI67、STMN1、PCNA）、T（CD3D、CD3E、CD2）、B（CD79A，IGHG1，MS4A1），NK（KLRD1、GNLY、KLRF1）和髓系（CSF1R、CSF3R、CD68）细胞。
空论连篇，运转今天的代码运行：
2.1 最初加载R资源和单细胞数据，并开拓诀别率：rm(list=ls())source('scRNA_scripts/lib.R')source('scRNA_scripts/mycolors.R')sce.all.int = readRDS('2-harmony/sce.all_int.rds') sel.clust = "RNA_snn_res.0.5"sce.all.int <- SetIdent(sce.all.int, value = sel.clust)table(sce.all.int@active.ident) colnames(sce.all.int@meta.data) 2.2 创建新的文献夹，开拓需要可视化的Maker，绘图分群气泡图：dir.create("./3-Celltype")setwd("./3-Celltype")scRNA=sce.all.intgenes_to_check = c('EPCAM','KRT19','CLDN4','SCGB1A1', #上皮 'PECAM1' , 'CLO1A2', 'VWF', #基质 'CDH5', 'PECAM1', 'VWF','CLDN5', #内皮 'LUM' , 'FGF7', 'MME', #成纤维 'CD3D', 'CD3E', 'CD8A', 'CD4','CD2', #T 'AIF1', 'C1QC','C1QB','LYZ', #巨噬 'MKI67', 'STMN1', 'PCNA', #增殖 'CPA3' ,'CST3', 'KIT', 'TPSAB1','TPSB2',#肥硕 'GOS2', 'S100A9','S100A8','CXCL8', #中性粒细胞 'KLRD1', 'GNLY', 'KLRF1','AREG', 'XCL2','HSPA6', #NK 'MS4A1','CD19', 'CD79A','IGHG1','MZB1', 'SDC1', #B 'IGHD', #MALT B 'CSF1R', 'CSF3R', 'CD68') #髓系library(stringr) genes_to_check=str_to_upper(genes_to_check)genes_to_checkp = DotPlot(scRNA, features = unique(genes_to_check), assay='RNA' ) + coord_flip()p#ggsave('check_last_markers.pdf',height = 11,width = 11)图片
2.3 望望聘用的resolution的umap散布情况####构建左下角坐标轴source('../scRNA_scripts/Bottom_left_axis.R')result <- left_axes(scRNA)axes <- result$axeslabel <- result$labelumap =DimPlot(scRNA, reduction = "umap",cols = my36colors,pt.size = 0.8, group.by = "RNA_snn_res.0.5",label = T,label.box = T) + NoAxes() + theme(aspect.ratio = 1) + geom_line(data = axes, aes(x = x,y = y,group = group), arrow = arrow(length = unit(0.1, "inches"), ends="last", type="closed")) + geom_text(data = label, aes(x = x,y = y,angle = angle,label = lab),fontface = 'italic')+ theme(plot.title = element_blank())umapggsave('RNA_snn_res.0.5_umap.pdf',width = 9,height = 7)图片
2.4 望望样天职组的umap##图中的标签和方框皆是不错自界说的，举例底下这副删掉label和label.boxsample_umap =DimPlot(scRNA, reduction = "umap",cols = my36colors,pt.size = 0.8, group.by = "sample") + NoAxes() + theme(aspect.ratio = 1) + geom_line(data = axes, aes(x = x,y = y,group = group), arrow = arrow(length = unit(0.1, "inches"), ends="last", type="closed")) + geom_text(data = label, aes(x = x,y = y,angle = angle,label = lab),fontface = 'italic')+ theme(plot.title = element_blank())sample_umapggsave('sample_umap.pdf',width = 9,height = 7)图片
umap+sample_umap
图片
2.5 东谈主工肉眼驻防亚群#####细胞生物学定名celltype=data.frame(ClusterID=0:22, celltype= 0:22) # 这里激烈依赖于生物学布景，看dotplot的基因抒发量情况来东谈主工审查单细胞亚群名字celltype[celltype$ClusterID %in% c(3,6,9,13,14,15,16,20,22 ),2]='Myeloid'celltype[celltype$ClusterID %in% c( 5,11,12,17,19 ),2]='Epithelial'celltype[celltype$ClusterID %in% c(0,1,21),2]='T&NK'celltype[celltype$ClusterID %in% c( 8 ),2]='Fibro'celltype[celltype$ClusterID %in% c( 18 ),2]='Proliferative'celltype[celltype$ClusterID %in% c( 10 ),2]='Plasma'celltype[celltype$ClusterID %in% c( 2),2]='B'celltype[celltype$ClusterID %in% c( 7 ),2]='Endothelial'celltype[celltype$ClusterID %in% c( 4),2]='Mast'table(scRNA@meta.data$RNA_snn_res.0.5)table(celltype$celltype)scRNA@meta.data$celltype = "NA"for(i in 1:nrow(celltype)){ scRNA@meta.data[which(scRNA@meta.data$RNA_snn_res.0.5 == celltype$ClusterID[i]),'celltype'] <- celltype$celltype[i]}table(scRNA@meta.data$celltype)th=theme(axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=0.5)) library(patchwork)celltype_umap =DimPlot(scRNA, reduction = "umap",cols = my36colors,pt.size = 0.8, group.by = "celltype",label = T) + NoAxes() + theme(aspect.ratio = 1) + geom_line(data = axes, aes(x = x,y = y,group = group), arrow = arrow(length = unit(0.1, "inches"), ends="last", type="closed")) + geom_text(data = label, aes(x = x,y = y,angle = angle,label = lab),fontface = 'italic')+ theme(plot.title = element_blank())celltype_umapggsave('umap_by_celltype.pdf',width = 9,height = 7)图片
saveRDS(scRNA, "sce_celltype.rds")setwd('../')结语本期，咱们聘用resolution=0.5对肺腺癌单细胞数据集GSE189357进行了手工细胞分群驻防。细胞驻防的神情有许多，确定请参照单细胞宇宙前期推文：单细胞测序最佳的教程（六）：细胞类型驻防。下一期，咱们将在本期基础上对细胞类型及基因进行可视化，使用多种可视化才能，绘图DimPlot，FeaturePlot，ggplot，DoHeatmap图，迎接公共抓续追更，谢谢！
图片
本站仅提供存储就业，扫数骨子均由用户发布，如发现存害或侵权骨子，请点击举报。