单细胞去卷积怎么制作基因在细胞类型中的系数表

上一次我们聊了去卷积的话题，去卷积就是把一个完整的东西解构为n个特征，如一个小狗=鼻子*1+眼睛*2+有毛等。在转录组数据中，好像最早的去卷积就是CIBERSORT或者ssGSEA，这是一类利用经典细胞marker来推算整个肿瘤组织中各个细胞的比例。

上一次我们提到了利用2000个高变基因做marker，今天来讲一下怎么做，只讲核心步骤。

首先要提取2000个高变基因，这个很简单：

highgenes<- rownames(scRNA.counts@assays[["RNA"]]@scale.data)

然后是制作高变基因的系数表格：

AverageExpression(scRNA.counts,assays='RNA',features=highgenes)[[1]]

也没什么稀奇的，就是把某个基因在某种细胞类型中的平均表达量提取出来了。在CIBERSORT中，marker基因的系数表格就制作出来了，写成txt文件就行了。

现在，很多课题组或大佬也开发了自己的去卷积算法，很多都是换汤不换药，算法原理都是机器学习、NMF、超几何分布、贝叶斯等，如MuSIC2、BayesPrism等，其实有自己的想法完全可以自己写一个去卷积包。

去卷积能做什么？1.计算细胞类型和临床性状之间的关系，如有了每个样本每种细胞类型的比例，就可以和临床的预后信息产生关联；2.同样，也可以把临床信息映射给单细胞，如临床的预后信息映射给单细胞数据每个细胞，如Scissors算法。

有机会我们再说一下MuSIC2、BayesPrism，这在生信技能树都是由教程的，我也是学他们过河，但是恐怕用到自己数据上有需要调整的地方，改天详细说一下，谢谢大家。有问题可以在后台问。