写在前面
当完成了对scRNAseq数据的Normalization和混杂因素去除后，我们就可以开始正式分析了。😘
本期我们介绍一下常用的聚类方法(clustering)，主要是无监督聚类，包括：👇
-
hierarchical clustering； -
k-means clustering； -
graph-based clustering。
1.1 hierarchical clustering
Raw data
The hierarchical clustering dendrogram
1.2 k-means clustering
k-means
1.3 graph-based clustering
graph_network
聚类工具
2.1 SINCERA
- 基于
hierarchical clustering; - 在聚类前需要进行
z-scores转换。
2.2 SC3
- 基于
PCA降维； -
k-means； -
共识聚类(
consensus clustering)。🌟
SC3 pipeline
2.3 tSNE + k-means
-
tSNE maps; -
k-means。
2.4 Seurat clustering
Seurat clustering主要是基于community的识别进行聚类，这里我们不做具体介绍了，后面会做Seurat包的详细教程。🤩
2.5 Comparing clustering
当我们需要比较两个聚类结果的时候，我们可以使用adjusted Rand index，区间在0~1，大家可以简单理解为，1表示聚类相同，0表示偶然相似，即adjusted Rand index越大，聚类结果越相似。🤗
用到的包
rm(list = ls())
library(pcaMethods)
library(SC3)
library(scater)
library(SingleCellExperiment)
library(pheatmap)
library(mclust)
library(ggsci)
示例数据
这里我为大家准备了一个小鼠的胚胎scRNAseq数据，文件格式为.rds。
dat <- readRDS("./deng-reads.rds")
dat
dat
数据初探
我们先看下细胞类型。
table(colData(dat)$cell_type2)
Cell Type
PCA 🥳
这里看到有的细胞类型是分的很开的，有明显的区分。
dat <- runPCA(dat)
plotPCA(dat, colour_by = "cell_type2")+
scale_fill_npg()+
scale_color_npg()
PCA1
SC3
这里我们只介绍一下SC3的方法进行聚类，其他方法耗时过长。
SC3的输入数据直接是SingleCellExperiment，非常方便。😁
6.1 sc3_estimate_k
dat <- sc3_estimate_k(dat)
6.2 查看聚类结果
我们看一下sc3提供的聚类方法，帮我们聚成了几类~
metadata(dat)$sc3$k_estimation
k
Note! 这里只帮我们聚了6类，但我们实际上不只6类啊。🫠
但是， 如果我们不考虑early, mid, late这种时间点的话，正好的6类。Nice !~🥳
6.3 可视化一下
plotPCA(dat, colour_by = "cell_type1")+
scale_fill_npg()+
scale_color_npg()
PCA2
6.4 生物学分组聚类
这里我们将生物学分组纳入考虑中，进行聚类。
dat <- sc3(dat,
ks = 10, # a range/single of the number of clusters k used for clustering
biology = TRUE,
n_cores = 4 # 默认是1
)
6.5 通过Shiny结果可视化
SC包提供了一种交互的方式进行结果展示，就和网页工具一样简单。
sc3_interactive(dat)
shiny
🤨 这里我们只讲一下如何使用代码实现结果可视化。
6.6 Consensus Matrix
sc3_plot_consensus(
dat,
k = 10,
show_pdata = c(
"cell_type2")
)
Consensus Matrix
6.7 Silhouette Plot
sc3_plot_silhouette(dat, k = 10)
Silhouette Plot
6.8 Expression Matrix
sc3_plot_expression(
dat, k = 10,
show_pdata = c(
"cell_type2")
)
Expression Matrix
6.9 DE genes
sc3_plot_de_genes(
dat, k = 10,
show_pdata = c(
"cell_type2")
)
DE genes
6.10 Marker Genes
sc3_plot_markers(
dat, k = 10,
show_pdata = c(
"cell_type2")
)
Marker Genes
<img src="https://img.haomeiwen.com/i24475539/bfc4759ebcf70f9b.png" alt="饼干" style="zoom:25%;" />
<center>最后祝大家早日不卷!~</center>
需要示例数据的小伙伴，在公众号回复
scRNAseq2获取吧！点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰
本文由mdnice多平台发布
网友评论