前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >各种肺上皮单细胞亚群的处理前后差异

各种肺上皮单细胞亚群的处理前后差异

作者头像
生信技能树jimmy
发布于 2022-03-14 09:49:18
发布于 2022-03-14 09:49:18
81500
代码可运行
举报
文章被收录于专栏:单细胞天地单细胞天地
运行总次数:0
代码可运行

看到了预印本的一个文章:《Single-cell RNA-seq analysis reveals lung epithelial cell-specific contributions of Tet1 to allergic inflammation》,链接是:https://www.biorxiv.org/content/10.1101/2021.12.22.473869v1 ,关注点是house dust mite (HDM) 小鼠模型,生物学假设是小鼠的Tet1基因能影响这个肺纤维化和炎症模型。

可以看到是4个分组,野生型和突变型的两种小鼠,各种都是疾病模型与对照的两个样品,都没有生物学重复,所以四个分组就是四个样品啦。跟我们在2021的尾巴在《生信技能树》和《单细胞天地》等公众号推出来的10X单细胞转录组钜惠套餐,详见:2个分组的单细胞项目标准分析,原价15~20万的6个10x单细胞转录组套餐,现价10万,比较类似。

毫无疑问,这个文章的作者也是选择了商业化的10x单细胞路线,如下所示:

商业化的10x单细胞路线

进行了基本的多个10x样品整合后,走常规的降维聚类分群流程,得到如下所示的生物学命名亚群:

走常规的降维聚类分群流程

这样的单细胞转录组数据分析的标准降维聚类分群,并且进行生物学注释后的结果。可以参考前面的例子:人人都能学会的单细胞聚类分群注释 ,我们演示了第一层次的分群。如果你对单细胞数据分析还没有基础认知,可以看基础10讲:

我们前面其实提到过来自于正常的肺的上皮细胞可以分成如下所示的5个亚群:

  • alveolar type I cell (AT1; AGER+)
  • alveolar type II cell (AT2; SFTPA1)
  • secretory club cell (Club; SCGB1A1+)
  • basal airway epithelial cells (Basal; KRT17+)
  • ciliated airway epithelial cells (Ciliated; TPPP3+)

但是这个文章的数据来源于小鼠,所以各个单细胞亚群的特异性基因略有不同,而且亚群数量也不一样哦,作者的热图展现如下所示:

热图展现

可以看到, 它是8个单细胞亚群,我在前面的文章:《Pre-activated antiviral innate immunity in the upper airways controls early SARS-CoV-2 infection in children》也确实看到了这么多肺部上皮细胞亚群,大家可以自行研读。

另外,前面提到的他这个实验设计是野生型和突变型的两种小鼠,各种都是疾病模型与对照的两个样品,所以不同基因型背景的小鼠模型里面都是可以差异分析的,两次差异分析都是各个单细胞亚群自己的内部差异。

多种差异分析

可以看到,在野生型小鼠里面,这个疾病模型对不同单细胞亚群的改变都很大,但是在突变型小鼠里面,这个疾病模型的效果大打折扣,所以差异基因的数量就减少了很多。

另外,值得注意的是这个文章目前还没有过多的高级分析,不知道它能不能顺利的从预印本状态进化到发表级别。没有拟时序分析也没有细胞通讯,唯一的转录因子分析选择的是 dorothea 这个R包,本质上是计算 Viper 得分,代码如下所示:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
## We compute Viper Scores 
 
# 0.安装R----
# devtools::install_github('caleblareau/BuenColors')
# utils::install.packages(pkgs = "ggstatsplot")
# InstallData("pbmc3k") 

# 1.加载R包和测试数据 ----
rm(list = ls())
library(SeuratData) #加载seurat数据集  
getOption('timeout')
options(timeout = 10000)
data("pbmc3k")  
sce <- pbmc3k.final  
library(Seurat)
# 一个seurat对象
library(dorothea)
sce <- run_viper(sce, regulon,
                  options = list(method = "scale", minsize = 4, 
                                 eset.filter = FALSE, cores = 1, 
                                 verbose = FALSE))

各个单细胞亚群然后可以选择不同转录因子得分差异比较大的来热图展示:

选择不同转录因子得分差异比较大的来热图展示

这个热图其实也可以使用seurat流程的FindAllMarkers函数啦。其它单细胞转录组高级分析,我们也多次分享过细节教程:

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2022-01-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 单细胞天地 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档