前言

Immugent在之前的一篇推文：SCPA（一）：揭示两群细胞通路差异的优化流程中，介绍了如何使用SCPA去评估两种细胞之间的功能差异，本期推文我们继续介绍如何使用SCPA去评估不同细胞的代谢活性。实质上只是将功能通路相关的基因集换成了代谢相关的基因集，主要来源有三种，分别是从Hallmark，KEGG和Reactome中整理而来。虽然本质相仿，但是我们可以通过SCPA的强大功能去揭示之前传统方法发现不了了代谢差异。

废话不多说，下面开始进行代码展示~~

代码实操

下面教程中使用的仍然是文章的示例数据，大家可以在作者的github上下载。

library(SCPA)
library(Seurat)
library(tidyverse)

naive_cd4 <- readRDS("naive_cd4.rds")
DimPlot(naive_cd4, split.by = "Hour") +  theme(aspect.ratio = 1)

图片

Extracting the expression matrices

resting <- seurat_extract(naive_cd4,
                          meta1 = "Cell_Type", value_meta1 = "Resting",
                          meta2 = "Hour", value_meta2 = 0)

activated <- seurat_extract(naive_cd4,
                            meta1 = "Cell_Type", value_meta1 = "Activated",
                            meta2 = "Hour", value_meta2 = 24)

D efining metabolic pathways，使用的是作者从几个不同的来源(Hallmark, KEGG和Reactome)整理了一份代谢通路基因的列表。

pathways <- "combined_metabolic_pathways.csv"

rest_act <- compare_pathways(samples = list(resting, activated), 
                             pathways = pathways)

rest_act <- rest_act %>%
  mutate(color = case_when(FC > 5 & adjPval < 0.01 ~ '#6dbf88',
                           FC < 5 & FC > -5 & adjPval < 0.01 ~ '#84b0f0',
                           FC < -5 & adjPval < 0.01 ~ 'mediumseagreen',
                           FC < 5 & FC > -5 & adjPval > 0.01 ~ 'black'))

aa_path <- rest_act %>% 
  filter(grepl(pattern = "reactome_arachi", ignore.case = T, x = Pathway))

ggplot(rest_act, aes(-FC, qval)) +
  geom_vline(xintercept = c(-5, 5), linetype = "dashed", col = 'black', lwd = 0.3) +
  geom_point(cex = 2.6, shape = 21, fill = rest_act$color, stroke = 0.3) +
  geom_point(data = aa_path, shape = 21, cex = 2.8, fill = "orangered2", color = "black", stroke = 0.3) +
  xlim(-20, 80) +
  ylim(0, 11) +
  xlab("Enrichment") +
  ylab("Qval") +
  theme(panel.background = element_blank(),
        panel.border = element_rect(fill = NA),
        aspect.ratio = 1)

图片

除了进行两两比较之外，SCPA还可以进行多种细胞群之间的比较。

scpa_out <- compare_seurat(different_dataset,
                           group1 = "hour", 
                           group1_population = c("0", "12", "24"),
                           group2 = "cell",
                           group2_population = "t_cells"
                           pathways = pathways)

说在最后

细胞代谢相关研究是近几年生命医学相关领域的热门，同时也正是因为细胞代谢的改变能影响多种功能信号通路的改变，或者说是细胞功能的改变可以通过代谢来反应出来。虽然截止到目前评估代谢最直接，或者说金标准仍然是直接对代谢底物进行评估，但是由于相关技术没有高通量组学发展迅速。因此从高通量测序的角度来看，利用转录组的差异来反应代谢差异同样是一种选择。

SCPA不同于其它差异分析，它充分考虑了单细胞数据的特点，不再是简单通过基因表达量单一纬度进行评估，而是综合多个指标，因此对于揭示细胞各种代谢通路的活性有自身的优势。

好啦，本期分享到此就结束了，我们下期再会~~