本文首發(fā)于我的個(gè)人博客尘分， http://xuzhougeng.top/

往期回顧:

• 使用ArchR分析單細(xì)胞ATAC-seq數(shù)據(jù)(第一章)
• 使用ArchR分析單細(xì)胞ATAC-seq數(shù)據(jù)(第二章)
• 使用ArchR分析單細(xì)胞ATAC-seq數(shù)據(jù)(第三章)
• 使用ArchR分析單細(xì)胞ATAC-seq數(shù)據(jù)(第四章)

第5章: 使用ArchR聚類

大部分單細(xì)胞聚類算法都在降維后空間中計(jì)算最近鄰圖盘寡，然后鑒定"社區(qū)"或者細(xì)胞聚類橙困。這些方法效果表現(xiàn)都特別出色知牌，已經(jīng)是scRNA-seq的標(biāo)準(zhǔn)策略油狂，所以ArchR直接使用了目前scRNA-seq包中最佳的聚類算法用來對(duì)scATAC-seq數(shù)據(jù)進(jìn)行聚類赶盔。

5.1 使用Seurat的FindClusters()函數(shù)進(jìn)行聚類

我們發(fā)現(xiàn)Seurat實(shí)現(xiàn)的圖聚類方法表現(xiàn)最好企锌，所以在ArchR中，addClusters()函數(shù)本質(zhì)是上將額外的參數(shù)通過...傳遞給Seurat::FindClusters()函數(shù)于未，從而得到聚類結(jié)果撕攒。在分析中，我們發(fā)現(xiàn)Seurat::FindClusters()是一個(gè)確定性的聚類算法烘浦，也就是相同的輸入總是能得到完全相同的輸出抖坪。

projHeme2 <- addClusters(
    input = projHeme2,
    reducedDims = "IterativeLSI",
    method = "Seurat",
    name = "Clusters",
    resolution = 0.8
)
# 只展示部分信息
# Maximum modularity in 10 random starts: 0.8568
# Number of communities: 11
# Elapsed time: 1 seconds

我們可以使用$符號(hào)來獲取聚類信息，輸出結(jié)果是每個(gè)細(xì)胞對(duì)應(yīng)的cluster

head(projHeme2$Clusters)
# [1] "C10" "C6"  "C1"  "C2"  "C2"  "C10"

我們統(tǒng)計(jì)下每個(gè)cluster的細(xì)胞數(shù)

table(projHeme2$Clusters)
#  C1  C10  C11   C2   C3   C4   C5   C6   C7   C8   C9 
# 310 1247 1436  480  323  379  852 1271  677 2550  726 

為了更好了解樣本在cluster的分布闷叉，我們可以使用confusionMatrix()函數(shù)通過每個(gè)樣本創(chuàng)建一個(gè)聚類混合矩陣(cluster confusion matrix)

從結(jié)果來看擦俐，這里的混合矩陣就是統(tǒng)計(jì)每個(gè)樣本在不同的cluster的分布情況。

cM <- confusionMatrix(paste0(projHeme2$Clusters), paste0(projHeme2$Sample))
cM

文字信息太多握侧，這里直接用熱圖進(jìn)行展示

library(pheatmap)
cM <- cM / Matrix::rowSums(cM)
p <- pheatmap::pheatmap(
    mat = as.matrix(cM), 
    color = paletteContinuous("whiteBlue"), 
    border_color = "black"
)
p

混合矩陣

細(xì)胞有時(shí)在二維嵌入中的相對(duì)位置與所識(shí)別的聚類并不完全一致蚯瞧。更確切的說，單個(gè)聚類中的細(xì)胞可能出現(xiàn)在嵌入的多個(gè)不同區(qū)域中品擎。在這些情況下埋合，可以適當(dāng)?shù)卣{(diào)整聚類參數(shù)或嵌入?yún)?shù)，直到兩者之間達(dá)成一致孽查。

5.2 使用scran聚類

除了Seurat, ArchR還能夠使用scran進(jìn)行聚類分析，我們只需要修改addClusters()中的method參數(shù)即可坦喘。

projHeme2 <- addClusters(
    input = projHeme2,
    reducedDims = "IterativeLSI",
    method = "scran",
    name = "ScranClusters",
    k = 15
)