柬埔寨一群小朋友跳舞视频
发布日期：2025-12-17 13:51 点击次数：124图片柬埔寨一群小朋友跳舞视频柬埔寨一群小朋友跳舞视频
引子Hello小伙伴们大众好，我是生信时代树的小学徒”我才不吃蛋黄“。今天是胃癌单细胞数据集GSE163558复现系列第三期。第二期咱们走了Seurat V5程序历程，垄断harmony整合去批次后，按程序历程进行了降维聚类分群。本期，咱们将在第二期基础上领受符合的分辨率，对细胞亚群进行着重。
1布景先容Bulk转录组的出身，使咱们八成快速的得回组织和细胞多数的RNA-seq数据。相较于传统的RNA检测身手（pcr），这种高通量测序妙技更高效，数据维度更高，数据量更大。然而，组织中包含有多样不同类型的细胞，如肿瘤组织中除了肿瘤细胞，还有平常上皮细胞、免疫细胞、成纤维细胞等等。Bulk转录组（组织）的最大短处在于咱们得回到的RNA-seq数据响应的是不同类型细胞平均的RNA水平，因此遮蔽了部分细胞抒发特征。单细胞转录组测序（scRNA-seq）则很好的弥补了这一短处，它在单个细胞水平上构建每个细胞的基因抒发谱。
在第二期，咱们最终得回到了45548个细胞的RNA-seq数据。咱们需要弄明晰这45548个细胞分别是哪种类型，挨个细胞辨别彰着不太推行。咱们对细胞进行了降维聚类分群，每一群的细胞具有雷同的特征，不错低能的将其归类为褪色类细胞（缜密的话需要再次降维聚类分群后分亚群，后续有推文会挑升先容，敬请关心）。每一群细胞齐有特征的抒发基因，咱们不错证实这些特征基因将这群细胞归类为某一类型，这一过程被称为“细胞类型着重”。
通常咱们第一档次降维聚类分群，会将细胞区别为三大类，分别是
immune (CD45+,PTPRC)epithelial/cancer (EpCAM+,EPCAM)stromal (CD10+,MME,fibro or CD31+,PECAM1,endo)常见的细胞群的maker基因分别是：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，泰国按摩群MS4A1），NK（KLRD1、GNLY、KLRF1）和髓系（CSF1R、CSF3R、CD68）细胞。
原文中也有提供分群maker：
图片
2细胞类型着重领受分辨率
在第二期中细胞分群时咱们不错看到，分辨率树立越高，分群数目越多。
Tree_diff_resolution
图片
在这里，咱们领受0.5分辨率。rm(list=ls())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) 图片
此时，细胞分为了14群。接着，咱们在此责任目次下创建了新的文献夹”3-Celltype“。
dir.create("./3-Celltype")setwd("./3-Celltype")scRNA=sce.all.int画图气泡图展示maker基因在各分群的抒发：
genes_to_check = c('EPCAM','KRT19','CLDN4', #上皮 'PECAM1' , 'CLO1A2', 'VWF', #基质 'CD3D', 'CD3E', 'CD8A', 'CD4','CD2', #T 'CDH5', 'PECAM1', 'VWF', #内皮 'LUM' , 'FGF7', 'MME', #成纤维 '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 'CSF1R', 'CSF3R', 'CD68') #髓系p = DotPlot(scRNA, features = unique(genes_to_check), assay='RNA' ) + coord_flip()pDotPlot
图片
再次稽察分群TSNE图：
mycolors <-c('#E64A35','#4DBBD4' ,'#01A187' ,'#6BD66B','#3C5588' ,'#F29F80' , '#8491B6','#91D0C1','#7F5F48','#AF9E85','#4F4FFF','#CE3D33', '#739B57','#EFE685','#446983','#BB6239','#5DB1DC','#7F2268','#800202','#D8D8CD')tsne =DimPlot(scRNA, reduction = "tsne",cols = mycolors,pt.size = 0.8, group.by = "RNA_snn_res.0.5",label = T,label.box = T)tsneTSNE
图片
集中DotPlot和TSNE图给各细胞群定名：
图片
####细胞生物学定名celltype=data.frame(ClusterID=0:13, celltype= 0:13)
这里横暴依赖于生物学布景，看dotplot的基因抒发量情况来东说念主工审查单细胞亚群名字。
celltype[celltype$ClusterID %in% c( 4,6,13),2]='Myeloid'celltype[celltype$ClusterID %in% c( 5,11,12 ),2]='Epithelial'celltype[celltype$ClusterID %in% c(0,1),2]='T'celltype[celltype$ClusterID %in% c( 8 ),2]='Fibro'celltype[celltype$ClusterID %in% c( 9 ),2]='Proliferative'celltype[celltype$ClusterID %in% c(3,7 ),2]='B'celltype[celltype$ClusterID %in% c( 2 ),2]='NK'celltype[celltype$ClusterID %in% c( 10 ),2]='endothelial'
然后将细胞类型信息添加到meta.data：
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)稽察不同类型细胞的数目：
图片
可视化细胞类型：
th=theme(axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=0.5)) library(patchwork)celltype_tsne =DimPlot(scRNA, reduction = "tsne",cols = mycolors,pt.size = 1, group.by = "celltype",label = T)celltype_tsne
celltype_tsne
图片
玄虚看样本类型、患者、细胞类型TSNE图：
sample_tsne =DimPlot(scRNA, reduction = "tsne",cols = mycolors,pt.size = 0.2, group.by = "sample") patient_tsne =DimPlot(scRNA, reduction = "tsne",cols = mycolors,pt.size = 0.2, group.by = "patient") sample_tsne + patient_tsne+celltype_tsne
sample_tsne + patient_tsne+celltype_tsne
图片
保存rds对象：
saveRDS(scRNA, "sce_celltype.rds")3结语
本期，咱们领受resolution=0.5对细胞进行了手工分群着重。细胞着重的阵势有许多，笃定请参照单细胞宇宙前期推文：单细胞测序最佳的教程（六）：细胞类型着重。在本系列后续推文“细胞亚群细分”中，咱们还将使用singleR自动着重，并与手工着重对比，干货满满，敬请期待。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DimPlot，FeaturePlot，ggplot，DoHeatmap等画图多类型图，使你的Figure更细致，接待大众握续追更，谢谢！
图片
本站仅提供存储办事，系数骨子均由用户发布，如发现存害或侵权骨子，请点击举报。