单细胞之计算细胞周期

image.png image.png
image.png

使用scan

###基因转换
library(clusterProfiler)
library(org.Hs.eg.db)
library(scran)
hs.pairs <- readRDS(system.file("exdata", "human_cycle_markers.rds", package="scran"))
# mm.pairs <- readRDS(system.file("exdata", "mouse_cycle_markers.rds", package="scran"))
str(hs.pairs)
head(hs.pairs$G1)

不知道为什么scan记录的ID都是ENSEMBL ID，所以要转换，有两种方式

转换方法2:转换hs.pairs里面的名字
单细胞专题 | 10.细胞周期分析 (qq.com)

# x <- names(mm.pairs)[1]
htrs <- lapply(names(hs.pairs), function(x){
  df <- hs.pairs[[x]]
  first <- bitr(hs.pairs[[x]][,1],
                fromType= "ENSEMBL", toType="SYMBOL",
                OrgDb="org.Hs.eg.db")

  second <- bitr(hs.pairs[[x]][,2],
                 fromType= "ENSEMBL", toType="SYMBOL",
                 OrgDb="org.Hs.eg.db")
  df <- df[first$ENSEMBL %in% df$first,]
  df <- df[second$ENSEMBL %in% df$second,]

  df$first <-  lapply(df$first, function(x){
    first[first$ENSEMBL == x,2][1] 
  })  %>% unlist()

  df$second <-  lapply(df$second, function(x){
    second[second$ENSEMBL == x,2][1] 
  })  %>% unlist()

  return(df)
})
names(htrs) <- names(hs.pairs)

library(scran)
assigndata <- cyclone(S1_seurat@assays[["RNA"]]@data, pairs=htrs)
table(assigned$phases)
# head(assigned$scores)
# assigned$name<-factor(S1_seurat@meta.data$orig.ident)
S1_seurat@meta.data$scan_phase<-assigned[["phases"]]
S1_seurat@meta.data$scan_phase2<-assigndata[["phases"]]

转换方法2:转换自己的Seurat对象的基因名

ensembl <- mapIds(org.Hs.eg.db, keys=rownames(S1_seurat), 
                  keytype="SYMBOL", column="ENSEMBL")
 head(ensembl)
assigned <- cyclone(S1_seurat@assays[["RNA"]]@data, pairs=hs.pairs, gene.names=ensembl)

虽然都是scan，但是这两种转换方式最终计算的结果是不完全一致的！！！至于选择哪种，我个人倾向于第一种，因为第二种有些ID是转换不过来的，第一种我粗略的看了一下，基本都转换过来了

使用Seurat

2016年的数据集

S1_seurat <- CellCycleScoring(
  object = S1_seurat,
  g2m.features = cc.genes$g2m.genes,
  s.features = cc.genes$s.genes
)
head(x = S1_seurat@meta.data)

2019年的数据集

s.genes <- cc.genes.updated.2019$s.genes
g2m.genes <- cc.genes.updated.2019$g2m.genes

srat <- CellCycleScoring(S1_seurat, s.features = s.genes, g2m.features = g2m.genes)

虽然都是Seurat，但是这两个的结果还是有区别的，这个选择哪个，得看数据集的原文

Scran和Seurat的结果更是差别巨大!!!最终选择哪种，我个人的原则是去看一下这些原文的数据集是来自什么细胞。哪种和自己细胞相近用哪个，如果都不相近，选多的那个。