python实战：学习生信大牛Sarah A. Teichmann发在Science上的单细胞分析

python也学了一段时间了，现在找一下教程做一些代码训练实战，今天分享的就是来自2020年2月21号发表在Science杂志上的一个资源，文献标题为《A cell atlas of human thymic development defines T cell repertoire formation》。

以前也有一篇完整的python版本实战：

• Python图文复现2022|01-文献阅读：致命COVID-19分子单细胞肺图谱
• Python图文复现2022|02-数据介绍与下载
• Python图文复现2022|03-多样本整合分析
• Python图文复现2022|04-绘制单细胞文献Figure 1
• Python图文复现2022|05-绘制单细胞差异分析热图
• Python图文复现2022|06-单细胞功能富集分析

在这篇Science杂志的文献中，作者利用单细胞RNA测序技术，创建了一个涵盖一生的人类胸腺的全面图谱，并为人类T细胞发育提供了新的见解：包括CD8αα⁺ T细胞、成纤维细胞亚型和激活的树突状细胞，并发现TCR重排和选择存在偏向性，与基因组位置和谱系承诺动力学相关。这些发现为理解人类T细胞发育提供了新的视角和全面的胸腺图谱。

这篇文献的通讯作者Sarah A. Teichmann也是生信届的大牛，介绍见：【生信进阶之路】盘点生物信息大牛课题组 EP16：Sarah A. Teichmann

Sarah教授是人类细胞图谱（the Human Cell Atlas，HCA）国际联盟的联合创始人和主要负责人。

人类胸腺单细胞图谱

本研究对15个胎儿胸腺样本（胎龄7-17孕周）和9个出生后样本进行了单细胞RNA测序。通过基于CD45、CD3或EpCAM的细胞分选，研究者分析了胸腺细胞和非胸腺细胞的转录组，并结合了T细胞受体αβ（TCRαβ）分析。经过质量控制后，共获得255,901个细胞数据。研究还对同一供体的其他相关器官进行了分析，并使用BBKNN算法结合线性回归进行了批次校正，以确保数据的准确性和可比性。

图谱：

人类胸腺细胞组成的UMAP可视化，按细胞类型着色（DN，双阴性T细胞；DP，双阳性T细胞；ETP，早期胸腺祖细胞；aDC，激活的树突状细胞；pDC，浆细胞样树突状细胞；Mono，单核细胞；Mac，巨噬细胞；Mgk，巨核细胞；Endo，内皮细胞；VSMC，血管平滑肌细胞；Fb，成纤维细胞；Ery，红细胞）。

(E) 胸腺基质细胞类型中标志基因表达的点图。

(G) 不同年龄组中细胞类型的相对比例。

数据集还涵盖了构成胸腺微环境的多种非免疫细胞类型。进一步将它们分类为亚型，包括胸腺上皮细胞（TECs）、成纤维细胞、血管平滑肌细胞（VSMCs）、内皮细胞和淋巴内皮细胞（图1E）。

胸腺成纤维细胞被进一步划分为两个之前未被描述过的亚型：

• 成纤维细胞1型（Fb1）细胞（标志基因COLEC11、C7、GDF10），Fb1细胞独特地表达COLEC11，该基因在先天免疫中发挥重要作用（27），以及ALDH1A2，这是一种负责产生调节上皮细胞生长的视黄酸的酶（28）。
• 成纤维细胞2型（Fb2）细胞（标志基因PI16、FN1、FBN1）（图1E）。相比之下，调节血管发育的细胞外基质（ECM）基因和sema基因则特异性地在Fb2中被检测到（图S3A）。
• smFISH显示，Fb1细胞位于小叶周围（perilobular），而Fb2细胞则位于小叶之间（interlobular），并且常常与由VSMCs衬里的大血管相关联，这与其转录组中调节血管发育的基因特征一致。

数据下载与简单探索

数据可以在这里下载：

格式为h5ad：https://developmental.cellatlas.io/thymus-development

其他地方：ArrayExpress (accession number E-MTAB-8581)

分析代码：Zenodo repository (DOI: 10.5281/zenodo.3572422)，以这里为主，数据和代码都有，看清楚有好几个版本，下载最新的那个版本

代码在这里也可以下载到：https://github.com/Teichlab/thymusatlas

数据下载比较麻烦一点，我这里还折腾了一下，可以加我微信发给你：Biotree123，下载下来的数据：

HTA08_v01_A05_Science_human_epi.h5ad
HTA08_v01_A05_Science_human_fig1.h5ad
HTA08_v01_A05_Science_human_hsc.h5ad
HTA08_v01_A06_Science_human_tcells.h5ad
HTA08_v02_A04_Science_mouse_stromal.h5ad
HTA08_v02_A04_Science_mouse_total.h5ad

数据分析中作者开发了一个包，在这里可以找到：https://github.com/jepark87/scjp

数据对应情况：

fig1_data = 'HTA08.v01.A05.Science_human_fig1.h5ad'
hsc_data = 'HTA08.v01.A05.Science_human_hsc.h5ad'
tcell_data = 'HTA08.v01.A06.Science_human_tcells.h5ad'
human_epi_data = 'HTA08.v01.A05.Science_human_epi.h5ad'
mouse_stromal_data = 'HTA08.v02.A04.Science_mouse_stromal.h5ad'
mouse_total_data = 'HTA08.v02.A04.Science_mouse_total.h5ad'

读取Load thymus data (corresponds to Fig 1C) 进来看一下：

#import scanpy.api as sc
import scanpy as sc
sc.settings.verbosity = 
sc.settings.set_figure_params(dpi=, color_map='OrRd')
sc.logging.print_version_and_date()

# 读取数据
fig1 = sc.read('HTA08.v01.A05.Science_human_fig1.h5ad')
fig1

图片

样本相关的表型信息：

fig1.obs.head()

图片

可视化fig1c的注释结果：

sc.pl.umap(fig1,color = 'Anno_level_fig1'.split(','))

图片

按照年龄分组上色：

sc.pl.umap(fig1,color = 'Age'.split(','))

按照marker分选上色：

sc.pl.umap(fig1,color = 'sort'.split(','))

今天分享到这，去试试看~