跟着Cell学单细胞转录组分析(四):单细胞转录组测序UMAP降

更多内容请关注个人公众号---KS科研分享与服务---
接上节（跟着Cell学单细胞转录组分析(三):单细胞转录组数据质控（QC）及合并去除批次效应）。

数据合并之后，就需要跑标准的Seurat分析流程了。在《cell》文章中，作者还计算了细胞周期评分，因为我们收集到的细胞可能处于不同的分裂时期，所以看周期是很有必要的，尤其是针对具体的研究目的。在示例数据中，可以看到，各个样品细胞周期基本一致。

s.genes <- cc.genes$s.genes
g2m.genes <- cc.genes$g2m.genes
scedata <- CellCycleScoring(scedata, 
                            s.features = s.genes, 
                            g2m.features = g2m.genes,
                            set.ident = TRUE)
VlnPlot(scedata,features = c("S.Score","G2M.Score"),group.by = "orig.ident")

图片

之后对数据进行缩放，缩放的参数vars.to.regress按照自己的目的决定，一般选择percent.mt，nFeature。然后就是确定降维的PC数了，具体选择多少比较合适，这个需要不断的尝试，没有标准，达到自己理想的效果即可。

# 标准流程
scedata <- ScaleData(scedata, vars.to.regress = c("S.Score", "G2M.Score"), verbose = FALSE)
scedata <- RunPCA(scedata, npcs = 50, verbose = FALSE)
scedata <- FindNeighbors(scedata, reduction = "pca", dims = 1:50)
scedata <- FindClusters(scedata, 
                        resolution = seq(from = 0.1, 
                                                to = 1.0, 
                                                by = 0.1))
scedata <- RunUMAP(scedata, reduction = "pca", dims = 1:50)

最后，决定细胞聚类群的还有一个因素，那就是FindClusters函数中的resolution 这个参数，这里我们直接跑联系的多个resolution，用clustree函数查看。这个参数也是需要调整。

library(clustree)
clustree(scedata)

图片

然后就可以对UMAP降维进行可视化了！

DimPlot(scedata)

图片

选择好合适的细胞分群，将其设置为active.ident，方便后续可视化。

Idents(scedata) <- "integrated_snn_res.1"
scedata$seurat_clusters <- scedata@active.ident

处理所有细胞的UMAP聚类，查看下细胞群在不同样品中的分布情况。

DimPlot(scedata,label = T,split.by = "orig.ident",ncol = 3)

图片

完成上述内容，整个单细胞转录组的工作已经完整了1/3了，因为这些都是后续分析的基础。下节探讨下marker基因的筛选和细胞群鉴定！