CytoTRACE:推斷擬時(shí)細(xì)胞起點(diǎn)輔助

在做monocle的時(shí)候,我們最糾結(jié)的地方莫過(guò)于確定細(xì)胞的起點(diǎn)了挤渔。如果是比較明確的分析知道起點(diǎn),或者有參考文獻(xiàn)风题,結(jié)合自己的生物學(xué)背景能夠推斷還好判导,可是如果自己一篇空白,該怎么確定起點(diǎn)呢沛硅?這里介紹一款工具R包---CytoTRACE眼刃,能夠輔助擬時(shí)單細(xì)胞推斷起點(diǎn)。其實(shí)這個(gè)包之前就有小伙伴推薦讓寫(xiě)一下摇肌,因?yàn)楹芎?jiǎn)單擂红,一直沒(méi)有寫(xiě),最近剛好用到围小,所以出一期昵骤!
CytoTRACE包官網(wǎng):https://cytotrace.stanford.edu/
包下載地址:https://cytotrace.stanford.edu/CytoTRACE_0.3.3.tar.gz
具體的原理感興趣的可看看作者的原文。首先需要說(shuō)的是這個(gè)包的安裝肯适。這個(gè)包有兩個(gè)功能变秦,一個(gè)是單個(gè)數(shù)據(jù)集的分析,另一個(gè)功能是多個(gè)數(shù)據(jù)集的分析框舔。第二個(gè)功能需要依賴(lài)于python包蹦玫,所以如果實(shí)在windows系統(tǒng)下赎婚,python包安裝不成功的話第二個(gè)功能則無(wú)法使用,但是一般情況下也涉及不到多個(gè)數(shù)據(jù)集樱溉,所以我們這里的例子就不瞎折騰了挣输,只需要第一個(gè)功能可以使用即可。這個(gè)包的安裝需本地安裝饺窿,在之前的鏈接中下載安裝包:https://cytotrace.stanford.edu/CytoTRACE_0.3.3.tar.gz


setwd('D:/KS項(xiàng)目/公眾號(hào)文章/CytoTRACE包推斷擬時(shí)起點(diǎn)輔助')
#CytoTRACE包
#官網(wǎng):https://cytotrace.stanford.edu/
#包下載地址:https://cytotrace.stanford.edu/CytoTRACE_0.3.3.tar.gz

#安裝包
#包的安裝需下載安裝包歧焦、本地安裝即可


#安裝error
# ERROR: dependencies 'HiClimR', 'ccaPP', 'nnls' are not available for package 'CytoTRACE'
# * removing 'C:/Users/tq199/AppData/Local/R/win-library/4.2/CytoTRACE'
# Warning in install.packages :

#install.packages() 安裝這個(gè)幾個(gè)包
library(CytoTRACE)

# No non-system installation of Python could be found.
# Would you like to download and install Miniconda?
#   Miniconda is an open source environment management system for Python.
# See https://docs.conda.io/en/latest/miniconda.html for more details.

#因?yàn)镃ytoTRACE依賴(lài)兩個(gè)python包scanoramaCT和numpy移斩,所以R安裝肚医,library的時(shí)候,會(huì)有上面的提醒向瓷。
#安裝conda什么的肠套。windsows下設(shè)置python環(huán)境什么的太復(fù)雜,為了一個(gè)包折騰不值得猖任,所以選擇no你稚。
#那么結(jié)果是這個(gè)包 多數(shù)據(jù)集分析的功能不能使用,不過(guò)沒(méi)關(guān)系朱躺,一般我們也都是但數(shù)據(jù)集刁赖。


#當(dāng)然,你也可以嘗試安裝python包长搀,但是不一定成功
install.packages("reticulate")
library(reticulate)
conda_create("cytoTRACE",python_version = '3.7')
use_condaenv("cytoTRACE")
conda_install("cytoTRACE", "numpy")
conda_install("cytoTRACE", "scanoramaCT")

我們測(cè)試一下宇弛,用之前作用monocle的mouse data進(jìn)行分析:CytoTRACE分析很簡(jiǎn)單,輸入用單細(xì)胞count矩陣源请,可視化結(jié)合metadata枪芒。

mouse_data <- readRDS("D:/KS項(xiàng)目/公眾號(hào)文章/monocle3擬時(shí)分析/mouse_data.rds")
exp1 <- as.matrix(mouse_data@assays$RNA@counts)
exp1 <- exp1[apply(exp1 > 0,1,sum) >= 5,]
results <- CytoTRACE(exp1,ncores = 1)
phenot <- mouse_data$celltype
phenot <- as.character(phenot)
names(phenot) <- rownames(mouse_data@meta.data)
emb <- mouse_data@reductions[["umap"]]@cell.embeddings
plotCytoTRACE(results, phenotype = phenot, emb = emb, outputDir = './')
plotCytoGenes(results, numOfGenes = 30, outputDir = './')
image.png

從結(jié)果上可以看到,PMN0和7的CytoTRACE評(píng)分最高谁尸,代表分化程度低舅踪,推斷為這個(gè)細(xì)胞數(shù)據(jù)集中細(xì)胞的起點(diǎn)。CytoTRACE分析也返回了CytoTRACE評(píng)分文件良蛮,我們可以讀取這個(gè)文件抽碌,然后自己做圖(這里我標(biāo)注的反了,不想改了)决瞳。

cyto <- read.table("CytoTRACE_plot_table.txt");head(cyto)
cutoff <- quantile(cyto$CytoTRACE, 0.75)
cyto$diff <- "low"
cyto[cyto$CytoTRACE > cutoff, ]$diff <- "high"
ggplot(cyto, aes(Component1, Component2, color = diff)) +
  geom_point(size = 1.5, alpha = 1.0)
image.png

當(dāng)然了咬展,很多時(shí)候,我們已經(jīng)做完了monocle分析瞒斩,例如已經(jīng)完成了ordercell這一步驟破婆,那么我們可以直接將CytoTRACE分析及可視化應(yīng)用在monocle對(duì)象上,看起來(lái)更加直觀胸囱。首先我們看看monocle默認(rèn)的結(jié)果祷舀。可以看到,擬時(shí)軌跡與CytoTRACE是相反的裳扯,這和之前有人說(shuō)的抛丽,一般情況下,monocle2的擬時(shí)軌跡是反的饰豺,這里不謀而合了亿鲜。

mouse_monocle <- readRDS("D:/KS項(xiàng)目/公眾號(hào)文章/monocle2擬時(shí)結(jié)果個(gè)性化作圖/mouse_monocle.rds")
p1=plot_cell_trajectory(mouse_monocle,color_by='Pseudotime')
p2=plot_cell_trajectory(mouse_monocle,color_by='celltype')
p1+p2
image.png

后面的分析和之前在seurat對(duì)象上的一樣。

monocle_meta <- data.frame(t(mouse_monocle@reducedDimS), 
                         mouse_monocle$Pseudotime, 
                         mouse_monocle$State, 
                         mouse_monocle$celltype)
colnames(monocle_meta) <- c("C1", "C2", "Pseudotime", "State", "celltype")

phenot1 <- monocle_meta$celltype
phenot1 <- as.character(phenot1)
names(phenot1) <- rownames(monocle_meta)
emb_monocle <- monocle_meta[,1:2]
plotCytoTRACE(results, phenotype = phenot, emb = emb_monocle, outputDir = './monocle/')

image.png

既然這個(gè)CytoTRACE包有很多高分文章使用冤吨,那么我們檢測(cè)一下可信度蒿柳。我們使用之前一篇Nature文章中的數(shù)據(jù)。這篇文章進(jìn)行了monocle軌跡分析漩蟆,但是沒(méi)有使用CytoTRACE包垒探,作者按照自己的生物學(xué)背景和實(shí)際數(shù)據(jù)推斷的起點(diǎn),所以我們用他的數(shù)據(jù)tset一下他的結(jié)果怠李。一方面test Nature的結(jié)果圾叼,一方面test CytoTRACE包的結(jié)果。

#提取亞群
load("D:/KS項(xiàng)目/公眾號(hào)文章/CytoTRACE包推斷擬時(shí)起點(diǎn)輔助/sce.RData")
sce_sub <- sce1[,sce1$cluster %in% c("YSMP","GMP","Myeloblast","Monocyte")]
#直接用CytoTRACE分析看一下這幾個(gè)細(xì)胞它推斷的起點(diǎn)
sce_subExp <- as.matrix(sce_sub@assays$RNA@counts)
results <- CytoTRACE(sce_subExp,ncores = 1)
sce_subphenot <- sce_sub$cluster
sce_subphenot <- as.character(sce_subphenot)
names(sce_subphenot) <- rownames(sce_sub@meta.data)
sce_subemb <- sce_sub@reductions[["umap"]]@cell.embeddings

plotCytoTRACE(results, phenotype = sce_subphenot, emb = sce_subemb, outputDir = './test/')
image.png

看看原文的結(jié)果圖:可以發(fā)現(xiàn)捺癞,結(jié)果是一致的夷蚊!
image.png

(reference:Deciphering human macrophage development at single-cell resolution)

等等等等。髓介。惕鼓。。還沒(méi)有結(jié)束(彩蛋):我們之前發(fā)布完monocle2終結(jié)版之后呢版保,我測(cè)試過(guò)分析不會(huì)有問(wèn)題了呜笑,可是很多小伙伴依然有問(wèn)題,這里我們干脆測(cè)試一下彻犁,不論是ordercell還是BEAM都沒(méi)有問(wèn)題叫胁。前面的分析我們就直接利用函數(shù)一鍵跑完分析!


run_monocle2 <- function(
    inputobj,
    assay,
    slot
  ){

  requireNamespace("Seurat")
  data <- GetAssayData(inputobj, assay = assay, slot = slot)
  data <- data[rowSums(as.matrix(data)) != 0,]
  pd <- new("AnnotatedDataFrame", data = inputobj@meta.data)
  fData <- data.frame(gene_short_name = row.names(data), row.names = row.names(data))
  fd <- new("AnnotatedDataFrame", data = fData)
  monocds <- newCellDataSet(data,
                                phenoData = pd, 
                                featureData = fd,
                                expressionFamily=negbinomial.size())

  monocds <- estimateSizeFactors(monocds)
  monocds <- estimateDispersions(monocds)


  monocds <- detectGenes(monocds, min_expr = 0.1)

  print(head(fData(monocds)))
  expressed_genes <- row.names(subset(fData(monocds), num_cells_expressed >= 50)) # nolint
  monocds <- monocds[expressed_genes, ]

  disp_table <- dispersionTable(monocds)
  unsup_clustering_genes <- subset(
    disp_table, mean_expression >= 0.05 &
      dispersion_empirical >= 2 * dispersion_fit
  ) #
  monocds <- setOrderingFilter(monocds, unsup_clustering_genes$gene_id)

  monocds <- reduceDimension(
    monocds,
    max_components = 2,
    method = "DDRTree"
  )
  monocds <- orderCells(monocds)
  return(monocds)


}


cds = run_monocle2(sce_sub, assay = 'RNA', slot = 'counts')
plot_cell_trajectory(cds, color_by = 'cluster')
plot_cell_trajectory(cds, color_by = 'Pseudotime')
image.png

分析是沒(méi)有任何問(wèn)題的汞幢,結(jié)果因?yàn)榕c原文參數(shù)不一致驼鹅,有些出入,總體是一致的森篷。接下來(lái)输钩,我們做一下分支的BEAM分析。

BEAM_res <- BEAM(cds, branch_point = 1, cores = 2)
BEAM_res <- BEAM_res[order(BEAM_res$qval),]
BEAM_res <- BEAM_res[,c("gene_short_name", "pval", "qval")]
plot_genes_branched_heatmap(cds[row.names(subset(BEAM_res, qval < 1e-20)),],
                            branch_point = 1,
                            num_clusters = 4,
                            cores = 1,
                            use_gene_short_name = T,
                            show_rownames = T)
image.png

總之仲智,分析是不會(huì)有任何錯(cuò)誤的买乃,如果你安裝了monocle2終結(jié)解決版,還是出錯(cuò)钓辆,那么你需要考慮你是否正確安裝使用剪验,文件是否正確肴焊,或者有些R包版本的問(wèn)題。最后功戚,覺(jué)得分享對(duì)您有用的娶眷,點(diǎn)個(gè)贊再走唄!碼字不易啸臀!

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末届宠,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子乘粒,更是在濱河造成了極大的恐慌豌注,老刑警劉巖,帶你破解...
    沈念sama閱讀 206,968評(píng)論 6 482
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件谓厘,死亡現(xiàn)場(chǎng)離奇詭異幌羞,居然都是意外死亡寸谜,警方通過(guò)查閱死者的電腦和手機(jī)竟稳,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,601評(píng)論 2 382
  • 文/潘曉璐 我一進(jìn)店門(mén),熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)熊痴,“玉大人他爸,你說(shuō)我怎么就攤上這事」疲” “怎么了诊笤?”我有些...
    開(kāi)封第一講書(shū)人閱讀 153,220評(píng)論 0 344
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)巾陕。 經(jīng)常有香客問(wèn)我讨跟,道長(zhǎng),這世上最難降的妖魔是什么鄙煤? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 55,416評(píng)論 1 279
  • 正文 為了忘掉前任晾匠,我火速辦了婚禮,結(jié)果婚禮上梯刚,老公的妹妹穿的比我還像新娘凉馆。我一直安慰自己,他們只是感情好亡资,可當(dāng)我...
    茶點(diǎn)故事閱讀 64,425評(píng)論 5 374
  • 文/花漫 我一把揭開(kāi)白布澜共。 她就那樣靜靜地躺著,像睡著了一般锥腻。 火紅的嫁衣襯著肌膚如雪嗦董。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 49,144評(píng)論 1 285
  • 那天瘦黑,我揣著相機(jī)與錄音京革,去河邊找鬼销睁。 笑死,一個(gè)胖子當(dāng)著我的面吹牛存崖,可吹牛的內(nèi)容都是我干的冻记。 我是一名探鬼主播,決...
    沈念sama閱讀 38,432評(píng)論 3 401
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼来惧,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼冗栗!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起供搀,我...
    開(kāi)封第一講書(shū)人閱讀 37,088評(píng)論 0 261
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤隅居,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后葛虐,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體胎源,經(jīng)...
    沈念sama閱讀 43,586評(píng)論 1 300
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,028評(píng)論 2 325
  • 正文 我和宋清朗相戀三年屿脐,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了涕蚤。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,137評(píng)論 1 334
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡的诵,死狀恐怖万栅,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情西疤,我是刑警寧澤烦粒,帶...
    沈念sama閱讀 33,783評(píng)論 4 324
  • 正文 年R本政府宣布,位于F島的核電站代赁,受9級(jí)特大地震影響扰她,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜芭碍,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,343評(píng)論 3 307
  • 文/蒙蒙 一徒役、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧豁跑,春花似錦廉涕、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,333評(píng)論 0 19
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至卸夕,卻和暖如春层释,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背快集。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,559評(píng)論 1 262
  • 我被黑心中介騙來(lái)泰國(guó)打工贡羔, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留廉白,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 45,595評(píng)論 2 355
  • 正文 我出身青樓乖寒,卻偏偏與公主長(zhǎng)得像猴蹂,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子楣嘁,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 42,901評(píng)論 2 345

推薦閱讀更多精彩內(nèi)容