根据前述教程，我们已经完成了Seurat对象的构建-质控-降维-聚类。最终得到了细胞的分群如下：
image
那么接下来我们就要对得到的分群进行细胞类型的注释。
细胞类型的注释是根据每个亚群的特征性细胞marker辨认。那么我们就需要对每个亚群的特征基因表达进行可视化以便识别。
至于你要查看何种marker的亚群表达分布，请根据你的样本通过文献总结，或建议通过哈尔滨医科大学李霞教授团队建立的cellmarker数据库进行检索。
这里介绍5种可视化亚群特征基因表达的方法，可根据个人喜好进行选择，我们还是以pbmc2k数据集进行演示。
library(Seurat)
load(file = "pbmc-noann.rdata")
DimPlot(pbmc, reduction = 'umap',label = T,repel=T)#查看分群结果
VlnPlot(pbmc, features = c("MS4A1", "CD79A")) #小提琴图
image
FeaturePlot(pbmc, features = c("MS4A1", "CD79A"))#坐标映射图
image
RidgePlot(pbmc, features = c("MS4A1", "CD79A"), ncol = 1)#峰峦图
image
features= c('IL7R', 'CCR7','CD14', 'LYZ', 'IL7R', 'S100A4',"MS4A1", "CD8A",'FCGR3A', 'MS4A7', 'GNLY', 'NKG7','FCER1A', 'CST3','PPBP')
DotPlot(pbmc, features = unique(features)) + RotatedAxis()#气泡图
image
features= c('IL7R', 'CCR7','CD14', 'LYZ', 'IL7R', 'S100A4',"MS4A1", "CD8A",'FCGR3A', 'MS4A7', 'GNLY', 'NKG7','FCER1A', 'CST3','PPBP')
DoHeatmap(subset(pbmc, downsample = 100), features = features, size = 3)#热图
image
这样我们就可以根据上面的结果对细胞亚群进行注释
同样，对细胞注释也有很多方法。
首先介绍第一种：构建一个0-n亚群的注释向量，与细胞亚群匹配注释
注意要按0-n的顺序命名
new.cluster.ids <- c("Naive CD4 T", "CD14+ Mono", "Memory CD4 T","B", "CD8 T", "FCGR3A+ Mono", "NK", "DC", "Platelet")
names(new.cluster.ids) <- levels(pbmc)
pbmc <- RenameIdents(pbmc, new.cluster.ids)
DimPlot(pbmc, reduction = 'umap',
label = TRUE, pt.size = 0.5) + NoLegend()
image
第二种：直接构建带亚群的向量（个人强烈推荐，极简且直观）
注意这种方法中我也更换了另一种对结果写入的方式，亚群可视化中也补全了group.by参数
cluster2celltype <- c("0"="T",
"1"="Mono",
"2"="T",
"3"= "B",
"4"= "T",
"5"= "Mono",
"6"= "T",
"7"= "DC",
"8"= "Platelet")
sce[['cell_type']] = unname(cluster2celltype[sce@meta.data$seurat_clusters])#这里对seurat的写入方式也进行了更换，可见我们是将结果直接创建并写入了对象meta.data下的cell_type，并没用上一方法中的RenameIdents函数
DimPlot(sce, reduction = 'umap', group.by = 'cell_type',
label = TRUE, pt.size = 0.5) + NoLegend()#Dimplot中是可以通过group.by参数指定可视化内容的。为了演示，我进行了参数的补全。
image
第三种：直接构建一个数据框
(个人认为完全没有必要给自己找这个代码麻烦)
(n=length(unique(pbmc@meta.data$seurat_clusters)))
celltype=data.frame(ClusterID=0:(n-1),
celltype='unkown')
celltype[celltype$ClusterID %in% c(0,2,4,6),2]='T'
celltype[celltype$ClusterID %in% c(3),2]='B'
celltype[celltype$ClusterID %in% c(1,5),2]='Mono'
celltype[celltype$ClusterID %in% c(7),2]='DC'
celltype[celltype$ClusterID %in% c(8),2]='Platelet'
pbmc@meta.data$celltype = "NA"
for(i in 1:nrow(celltype)){
pbmc@meta.data[which(pbmc@meta.data$seurat_clusters == celltype$ClusterID[i]),'celltype'] <- celltype$celltype[i]}
table(pbmc@meta.data$celltype)
phe=pbmc@meta.data
DimPlot(pbmc, reduction = 'umap', group.by = 'celltype',
label = TRUE, pt.size = 0.5) + NoLegend()
image
到这里我们就完成了细胞亚群的注释，我们对好的对象进行保存就好。
save(pbmc,file = "pbmc_anned.rdata")
参考来源：
https://mp.weixin.qq.com/s/enGx9_Sv5wKLdtygL7b4Jw
http://bio-bigdata.hrbmu.edu.cn/CellMarker/index.jsp
参考文献：
CellMarker: a manually curated resource of cell markers in human and mouse
问题交流：
Email: xuran@hrbmu.edu.cn
网友评论