基于Seurat的TransferData函数自动化迁移单细胞转录组亚群的注释信息

生信技能树

发布于 2024-04-13 20:50:04

3410

发布于 2024-04-13 20:50:04

文章被收录于专栏：生信技能树

前面我们推荐了方法学：使用singleR基于自建数据库来自动化注释单细胞转录组亚群，广受好评，然后马上就有小伙伴留言说这个功能跟Seurat的TransferData函数类似，我就马不停蹄的尝试了一下：

同样的数据集

这个GSE206528的单细胞转录组数据集，很容易构建成为Seurat对象。仍然是走常规的单细胞转录组降维聚类分群代码，可以看链接: https://pan.baidu.com/s/1bIBG9RciAzDhkTKKA7hEfQ?pwd=y4eh ，基本上大家只需要读入表达量矩阵文件到r里面就可以使用Seurat包做全部的流程。批量读取它的9个文件的代码如下所示：

dir='GSE206528_RAW/'
samples=list.files( dir )
samples 
sceList = lapply(samples,function(pro){ 
  # pro=samples[1] 
  print(pro)   
  ct=fread( file.path(dir,pro ) ,data.table = F)
  ct[1:4,1:4]
  rownames(ct)=ct[,1]
  ct=ct[,-1] 
  sce =CreateSeuratObject(counts =  ct ,
                          project =  pro  ,
                          min.cells = 5,
                          min.features = 300 )
  return(sce)
}) 
do.call(rbind,lapply(sceList, dim))
sce.all=merge(x=sceList[[1]],
              y=sceList[ -1 ],
              add.cell.ids = samples  ) 
names(sce.all@assays$RNA@layers)
sce.all[["RNA"]]$counts 
# Alternate accessor function with the same result
LayerData(sce.all, assay = "RNA", layer = "counts")
sce.all <- JoinLayers(sce.all)
dim(sce.all[["RNA"]]$counts )

使用TransferData函数

在前面的方法学：使用singleR基于自建数据库来自动化注释单细胞转录组亚群，我们拿到了 sce.singleR.Rdata 文件里面是一个已经降维聚类分群并且注释好的Seurat对象。这个文件会很小，因为细胞数量确实是不多，但是已经是有 fibro 和endo以及周细胞和SMC 信息，以及部分免疫细胞亚群信息。

核心流程就是 FindTransferAnchors 和 TransferData 函数，即可把两个Seurat对象关联起来，其中一个Seurat里面是有单细胞亚群注释信息，就可以迁移到另外一个对象里面，如下所示：

 
load(file = 'singleR/sce.singleR.Rdata')
sce.singleR
table(sce.singleR$paper)
sce.ref = sce.singleR 

source('scRNA_scripts/lib.R')
sce.all.int = readRDS('2-harmony/sce.all_int.rds')
sce.query = sce.all.int
 
sce.anchors <- FindTransferAnchors(reference = sce.ref, 
                                        query = sce.query, dims = 1:30,
                                        reference.reduction = "pca")
predictions <- TransferData(anchorset = sce.anchors, 
                            refdata = sce.ref$paper, dims = 1:30)
sce.query <- AddMetaData(sce.query, metadata = predictions)
table(sce.query$predicted.id )
DimPlot(sce.query,group.by = 'predicted.id',label = T,repel = F)
load('phe.Rdata')
gplots::balloonplot(table(sce.query$predicted.id,phe$celltype ))

可以看到的是，从效果的角度来说，跟前面我们推荐了方法学：使用singleR基于自建数据库来自动化注释单细胞转录组亚群，对比，不知道为什么Seurat的TransferData函数没办法区分SMC和周细胞，其实在UMAP图是还是可以看到清晰可见的界限。前面的singleR就没有遇到这个问题：