单细胞代谢分析scMetabolism包

医小北同学

发布于 2026-01-26 18:29:00

1440

文章被收录于专栏：技术学习技术学习

scMetabolism是一个用于量化单细胞分辨率代谢活性的R软件包。

scMetabolism：单细胞代谢活动量化工具指南

scMetabolism 是由复旦大学中山医院高强教授团队开发的一个 R 软件包，专门用于在单细胞分辨率下定量化代谢活性。

1. 环境准备与安装

V5结构，自己使用过程中，进行了一步改动。本文代码参考来源：生物信息学小白。

依赖包安装

在安装 scMetabolism 之前，需要先安装一系列依赖的生物信息学和绘图工具包：

# 常规依赖包
install.packages(c("devtools", "data.table", "wesanderson", "Seurat", "AUCell", "GSEABase", "GSVA", "ggplot2", "rsvd"))

# 指定版本的 VISION 核心依赖
devtools::install_github("YosefLab/VISION@v2.1.0")

主程序安装

devtools::install_github("wu-yc/scMetabolism")

2. 核心分析流程 (以 Seurat 为例)

数据加载

目前该工具主要支持人类 (Human) 的 scRNA-seq 数据。

library(scMetabolism)
library(ggplot2)
library(rsvd)

# 加载 Seurat 对象（示例数据：PBMC）
load(file = "pbmc_demo.rda")

代谢活动量化

推荐使用 sc.metabolism.Seurat 函数进行整合分析。

# 自定义sc.metabolism.SeuratV5函数
sc.metabolism.SeuratV5 <- function (obj, method = "VISION", imputation = F, ncores = 2, 
                                    metabolism.type = "KEGG") {
  countexp <- GetAssayData(obj, layer = 'counts')
  countexp <- data.frame(as.matrix(countexp))

  signatures_KEGG_metab <- system.file("data", "KEGG_metabolism_nc.gmt", 
                                       package = "scMetabolism")
  signatures_REACTOME_metab <- system.file("data", "REACTOME_metabolism.gmt", 
                                           package = "scMetabolism")

if (metabolism.type == "KEGG") {
    gmtFile <- signatures_KEGG_metab
    cat("Your choice is: KEGG\n")
  }
if (metabolism.type == "REACTOME") {
    gmtFile <- signatures_REACTOME_metab
    cat("Your choice is: REACTOME\n")
  }

if (imputation == F) {
    countexp2 <- countexp
  }
if (imputation == T) {
    cat("Start imputation...\n")
    cat("Citation: George C. Linderman, Jun Zhao, Yuval Kluger. Zero-preserving imputation of scRNA-seq data using low-rank approximation. bioRxiv. doi: https://doi.org/10.1101/397588 \n")
    result.completed <- alra(as.matrix(countexp))
    countexp2 <- result.completed[[3]]
    row.names(countexp2) <- row.names(countexp)
  }

  cat("Start quantify the metabolism activity...\n")

if (method == "VISION") {
    library(VISION)
    n.umi <- colSums(countexp2)
    scaled_counts <- t(t(countexp2)/n.umi) * median(n.umi)
    vis <- Vision(scaled_counts, signatures = gmtFile)
    options(mc.cores = ncores)
    vis <- analyze(vis)
    signature_exp <- data.frame(t(vis@SigScores))
  }
if (method == "AUCell") {
    library(AUCell)
    library(GSEABase)
    cells_rankings <- AUCell_buildRankings(as.matrix(countexp2), 
                                           nCores = ncores, plotStats = F)
    geneSets <- getGmt(gmtFile)
    cells_AUC <- AUCell_calcAUC(geneSets, cells_rankings)
    signature_exp <- data.frame(getAUC(cells_AUC))
  }
if (method == "ssGSEA") {
    library(GSVA)
    library(GSEABase)
    geneSets <- getGmt(gmtFile)
    gsva_es <- gsva(as.matrix(countexp2), geneSets, method = c("ssgsea"), 
                    kcdf = c("Poisson"), parallel.sz = ncores)
    signature_exp <- data.frame(gsva_es)
  }

  cat("\nPlease Cite: \nYingcheng Wu, Qiang Gao, et al. Cancer Discovery. 2021. \nhttps://pubmed.ncbi.nlm.nih.gov/34417225/   \n\n")

# 将代谢评分存储到 Seurat 对象中
  obj@assays$METABOLISM$score <- signature_exp
  obj
}

运行函数

res <- sc.metabolism.SeuratV5(obj = sce,
                              method = "AUCell",
                              imputation = F, 
                              ncores = 20, 
                              metabolism.type = "KEGG")

●obj是包含UMI计数矩阵的修拉对象。
●method: VISION是默认方法。VISION\AUCell \ssgsea \gsva
●imputation允许用户选择在新陈代谢评分前输入数据。
●ncores是并行计算线程的数量。
●metabolism.type 其中KEGG包含85条代谢通路，REACTOME包含82条代谢通路。
●结果提取：分析完成后，代谢评分矩阵存储在 obj@assaysMETABOLISMscore 中。

# 查看前 10 个通路名称，确认 "Glycolysis / Gluconeogenesis" 是否完全一致
head(rownames(res@assays$METABOLISM$score), 10)

3. 结果可视化

该工具提供了三种内置函数，用于展示特定代谢通路的活性分布。

可视化类型	函数名称	核心参数说明
降维图 (UMAP/tSNE)	DimPlot.metabolism	pathway: 目标通路名称；dimention.reduction.type: 降维方式
气泡图 (DotPlot)	DotPlot.metabolism	phenotype: 分组依据（如 celltype）；norm: 归一化方向 (x/y)
箱体图 (BoxPlot)	BoxPlot.metabolism	pathway: 可传入通路列表；ncol: 每行显示的图表数

# 1.定义DimPlot.metabolismV5函数
DimPlot.metabolismV5 <- function(obj, pathway, dimention.reduction.type = "umap", 
                                 dimention.reduction.run = TRUE, size = 1) {
  cat("\nPlease Cite: \nYingcheng Wu, Qiang Gao, et al. Cancer Discovery. 2021. \nhttps://pubmed.ncbi.nlm.nih.gov/34417225/   \n\n")

if (dimention.reduction.type == "umap") {
    if (dimention.reduction.run == TRUE) 
      obj <- Seurat::RunUMAP(obj, reduction = "pca", dims = 1:40)
    
    umap.loc <- obj@reductions[["umap"]]@cell.embeddings
    row.names(umap.loc) <- colnames(obj)
    
    signature_exp <- obj@assays$METABOLISM$score
    input.pathway <- pathway
    
    signature_ggplot <- data.frame(umap.loc, t(signature_exp[input.pathway, ]))
    
    library(wesanderson)
    pal <- wes_palette("Zissou1", 100, type = "continuous")
    library(ggplot2)
    
    plot <- ggplot(data = signature_ggplot, aes(x = umap_1, y = umap_2, 
                                                color = signature_ggplot[, 3])) + 
      geom_point(size = size) + 
      scale_fill_gradientn(colours = pal) + 
      scale_color_gradientn(colours = pal) + 
      labs(color = input.pathway) + 
      xlab("UMAP 1") + ylab("UMAP 2") + 
      theme(aspect.ratio = 1) + 
      theme(panel.grid.major = element_blank(), 
            panel.grid.minor = element_blank(), 
            panel.background = element_blank(), 
            axis.line = element_line(colour = "black"))
  }

if (dimention.reduction.type == "tsne") {
    if (dimention.reduction.run == TRUE) 
      obj <- Seurat::RunTSNE(obj, reduction = "pca", dims = 1:40)

    tsne.loc <- obj@reductions[["tsne"]]@cell.embeddings
    row.names(tsne.loc) <- colnames(obj)
    
    signature_exp <- obj@assays$METABOLISM$score
    input.pathway <- pathway
    
    signature_ggplot <- data.frame(tsne.loc, t(signature_exp[input.pathway, ]))
    
    pal <- wes_palette("Zissou1", 100, type = "continuous")
    library(ggplot2)
    
    plot <- ggplot(data = signature_ggplot, aes(x = tSNE_1, y = tSNE_2, 
                                                color = signature_ggplot[, 3])) + 
      geom_point(size = size) + 
      scale_fill_gradientn(colours = pal) + 
      scale_color_gradientn(colours = pal) + 
      labs(color = input.pathway) + 
      xlab("tSNE 1") + ylab("tSNE 2") + 
      theme(aspect.ratio = 1) + 
      theme(panel.grid.major = element_blank(), 
            panel.grid.minor = element_blank(), 
            panel.background = element_blank(), 
            axis.line = element_line(colour = "black"))
  }

return(plot)
}

DimPlot

DimPlot.metabolismV5(obj = res, 
                     pathway = "Glycolysis / Gluconeogenesis", 
                     dimention.reduction.type = "umap",  
                     dimention.reduction.run = F, size = 1)

DotPlot

countexp.Seurat <- res
input.pathway <- rownames(countexp.Seurat@assays[["METABOLISM"]][["score"]])[1:9]
DotPlot.metabolism(obj = countexp.Seurat, 
                   pathway = input.pathway, 
                   phenotype = "celltype",  # 使用meta.data中的celltype列
                   norm = "y") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))  # 旋转x轴标签

BoxPlot

BoxPlot.metabolism(obj = countexp.Seurat,
                   pathway = input.pathway, 
                   phenotype = "celltype", #这个参数需按需修改
                   ncol = 3)

4. 其它信息

独立分析模式 (不推荐)

如果不使用 Seurat 对象，可以直接对计数矩阵 (Dataframe) 进行计算：

metabolism.matrix <- sc.metabolism(countexp = countexp, method = "AUCell", ...)

官网信息[1]

●核心算法文献：Wu et al., Cancer Discovery, 2021. (结直肠癌肝转移研究)
●在线版本：http://cancerdiversity.asia/scMetabolism/[2]
●联系方式：高强 (gaoqiang@fudan.edu.cn) 或吴英成 (技术支持)

📚参考资料

[1]

官网信息: https://github.com/wu-yc/scMetabolism?tab=readme-ov-file

[2]

http://cancerdiversity.asia/scMetabolism/: http://cancerdiversity.asia/scMetabolism/

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：2026-01-20，如有侵权请联系 cloudcommunity@tencent.com 删除

函数

本文分享自医小北微信公众号，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！

登录后参与评论

0 条评论

热度

单细胞代谢分析scMetabolism包

单细胞代谢分析scMetabolism包

scMetabolism：单细胞代谢活动量化工具指南

1. 环境准备与安装

依赖包安装

主程序安装

2. 核心分析流程 (以 Seurat 为例)

数据加载

代谢活动量化

运行函数

3. 结果可视化

DimPlot

DotPlot

BoxPlot

4. 其它信息

独立分析模式 (不推荐)

官网信息[1]

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐