糖尿病早期的病人和正常人的肾脏单细胞水平差异

生信技能树jimmy

发布于 2023-09-19 18:44:12

3030

发布于 2023-09-19 18:44:12

文章被收录于专栏：单细胞天地

文章概述

文章标题：《The single-cell transcriptomic landscape of early human diabetic nephropathy 》

发表日期和杂志：2019年发表在PNAS

在线阅读链接：https://www.pnas.org/cgi/doi/10.1073/pnas.1908706116

单细胞实验设计

对冷冻保存的人类糖尿病肾脏样本进行了无偏单细胞RNA测序（snRNA-seq），从3个对照组和3个早期糖尿病肾病样本中生成了23,980个单细胞核转录组。

单细胞转录组数据情况

数据链接是：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE131882

可以看到是6个样品：

GSM3823939 Control Sample 1 (snRNAseq)
GSM3823940 Control Sample 2 (snRNAseq)
GSM3823941 Control Sample 3 (snRNAseq)
GSM3823942 Diabetes Sample 1 (snRNAseq)
GSM3823943 Diabetes Sample 2 (snRNAseq)
GSM3823944 Diabetes Sample 3 (snRNAseq)

作者给出来的数据是每个样品一个压缩包格式的rds.gz：

GSM3823939_control.s1.dgecounts.rds.gz 343.8 Mb
GSM3823940_control.s2.dgecounts.rds.gz 176.0 Mb
GSM3823941_control.s3.dgecounts.rds.gz 290.1 Mb
GSM3823942_diabetes.s1.dgecounts.rds.gz 272.5 Mb
GSM3823943_diabetes.s2.dgecounts.rds.gz 178.4 Mb
GSM3823944_diabetes.s3.dgecounts.rds.gz 157.5 M

可以很简单的循环读取它们：

library(data.table)
dir='GSE131882_RAW/' 
samples=list.files( dir,pattern = 'rds',full.names = T,recursive = T )
samples 

library(data.table)
sceList = lapply(samples,function(pro){ 
  # pro=samples[1] 
  print(pro) 
  sce=readRDS(pro) 
  ct = sce$umicount$exon$all
  ct[1:4,1:4]
  ct
  library(AnnoProbe)
  ids = annoGene(rownames(ct),'ENSEMBL','human')
  head(ids)
  table(duplicated(ids$SYMBOL))
  ids=ids[!duplicated(ids$SYMBOL),]
  pos = match(ids$ENSEMBL,rownames(ct))
  ct = ct[pos,]
  rownames(ct) =ids$SYMBOL
  sce=CreateSeuratObject(  ct , 
                          project =  strsplit(gsub('.dgecounts.rds','', basename(pro) ),'_')[[1]][2] ,
                         min.cells = 5,
                         min.features = 300 ) 
  return(sce)
})
names(sceList)  
 
samples
library(stringr)
samples = str_split(gsub('.dgecounts.rds','', basename( samples) ),'_',simplify = T)[,2]
sce.all=merge(x=sceList[[1]],
              y=sceList[ -1 ],
              add.cell.ids =  samples )

as.data.frame(sce.all@assays$RNA@counts[1:10, 1:2])
head(sce.all@meta.data, 10)
table(sce.all$orig.ident)

后面就是标准分析啦。