单细胞scDblFinder异质性双细胞检测学习

原创

凑齐六个字吧

发布于 2025-09-11 12:23:20

8600

代码可运行

文章被收录于专栏：单细胞单细胞

运行总次数：0

代码可运行

scDblFinder包含了一系列用于在单细胞测序数据中检测和处理双细胞/多细胞（即在同一个液滴或反应体系中捕获了多个细胞）的方法，这些方法可以补充基于细胞标签和SNP的复用样本双细胞检测：1. 哈希/基因型方法能够识别来源于不同样本的双细胞（即使它们是同类型细胞形成的同质性双细胞，比如A样本的T细胞和B样本的T细胞），这种情况在转录组水平上往往与真实单细胞几乎无法区分（因此本工具包通常无法识别）；2. 但哈希/基因型方法这种方法无法检测来自同一样本的双细胞，即使它们是由不同细胞类型形成的异质性双细胞。

相比之下，scDblFinder 提供的方法主要针对异质性双细胞的识别，而在大多数分析场景中，这类双细胞也是最需要关注和处理的。

研究者还提供了其他研究团队得到的bencmark结果，scDblFinder在平均 AUPRC 和 AUROC 值上表现最佳，并且在 10%识别率下，其精确率（precision）、召回率（recall）和真阴性率（TNR）等指标也位居首位。

分析流程

1.导入

rm(list=ls())
proj = "scRNA"
library(scDblFinder)
library(stringr)
library(qs)
library(Seurat)
library(harmony)

scRNA <- qread("sce_celltype.qs")
Idents(scRNA) <- "celltype"
DimPlot(scRNA,label = T)

2.数据预处理

# 设定assay
library(BiocParallel)
sc_data <- as.SingleCellExperiment(scRNA)
sc_data <- scDblFinder(sc_data, 
                       samples="orig.ident",
                       BPPARAM=MulticoreParam(4))
scRNA <- CreateSeuratObject(
    counts = assay(sc_data, "counts"),  # 提取基因表达矩阵
    assay = "RNA",                  # 命名数据层为RNA
    meta.data = as.data.frame(colData(sc_data))  # 携带质检结果
)
table(scRNA$scDblFinder.class)

3.走一遍标准化流程

f = "sce.qs"
sce = scRNA %>% 
  NormalizeData() %>%
  FindVariableFeatures() %>%
  ScaleData(features = rownames(.)) %>%
  RunPCA(features = VariableFeatures(.))  %>%
  RunHarmony(group.by.vars ="orig.ident")  %>% 
  FindNeighbors(dims = 1:15,
                reduction = "harmony",
                verbose = FALSE) %>%  
  FindClusters(resolution = 0.6) %>% 
  RunUMAP(dims = 1:15,reduction = "harmony") %>% 
  RunTSNE(dims = 1:15,reduction = "harmony") 

# 保存对象
qsave(sce,file = f)

4.可视化

p1 <- DimPlot(sce,label = T,group.by = "celltype")
p2 <- DimPlot(sce,label = T,group.by = "scDblFinder.class")
p1|p2

这个R包用起来感觉比DoubletFinder方便的多~

注：若对内容有疑惑或者有发现明确错误的朋友，请联系后台。更多相关内容可关注公众号：生信方舟 。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

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

数据挖掘

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

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

数据挖掘

#单细胞

登录后参与评论

0 条评论

热度