Monocle2|单细胞测序的拟时序分析

Monocle2|单细胞测序的拟时序分析

什么是拟时序分析?拟时序(pseudotime)分析,又称细胞轨迹(cell trajectory)分析。通过拟时序分析可以推断出发育过程中细胞的分化轨迹或细胞亚型的演化过程。我们可以理解为在一堆细胞中包含各种各样不同的发育状态的细胞,有的发育早,有的发育晚,有的分化了,有的未分化,有的处于中间态。利用算法基于基因表达推断每个细胞的相对分化时间,从而确定分化轨迹。Monocle是拟时序分析常用的R包。

文章案例
例如2021年5月发表在NC的一篇单细胞测序文章《Single-cell profiling of tumor heterogeneity and the microenvironment in advanced non-small cell lung cancer》(IF=14.92)就多次采用拟时序分析,探讨不同细胞亚型之间的分化关系。
attachments-2022-06-H1FZvlhP62a2d5c708c72.png拟时序分析
为了方便大家能高效快捷的对单细胞数据进行拟时序分析,我们给大家提供一个R脚本,这个脚本只需要准备好相应的输入文件,再进行简单的命令行操作即可进行拟时序分析并绘制可直接用于文章发表的图片。
Rscript single_cell/cell_trajectory.r -i data/pbmc_ctrl.rds --downsample 100 -o trajectory_result/pbmc_ctrl
attachments-2022-06-DzrUvomS62a2d602718cb.png输入文件准备
这个脚本所必需的输入文件只有一个,即经聚类注释后的seurat对象,为rds文件。
更多脚本参数设置及说明
可以通过-h参数获得以下帮助信息:
usage: single_cell/cell_trajectory.r [-h] -i rds_data [--assay assay]
                                     [--Customization]
                                     [--marker.genes marker.genes]
                                     [--gene.list filepath]
                                     [--downsample downsample] [-g group]
                                     [-d density.group] [-n heatmap.gene]
                                     [-c heatmap.clusters] [-H height]
                                     [-W width] [-o path] [-p prefix]

single cell trajectory analysis : http://cole-trapnell-lab.github.io/monocle-
release/docs/#constructing-single-cell-trajectories

optional arguments:
  -h, --help            show this help message and exit
  -i rds_data, --rds_data rds_data
                        input rds_data file path[required]
  --assay assay         Name of assay to use, defaults to the active assay
                        [default RNA]
  --Customization       If set, use Customization [optional, default: False]
  --marker.genes marker.genes
                        Select the method to choose genes that define a cell's
                        progress. Available methods are:monocle,seurat,deg
                        [default monocle]
  --gene.list filepath  input the file of genes that define a cell's progress
                        [default NULL]
  --downsample downsample
                        subset cells numbers for analysis [default None]
  -g group, --group group
                        the group that coloring the cells by [default
                        seurat_clusters]
  -d density.group, --density.group density.group
                        the density group that coloring density map [default
                        seurat_clusters]
  -n heatmap.gene, --heatmap.gene heatmap.gene
                        the number of marker genes used to draw heatmap
                        [default 20]
  -c heatmap.clusters, --heatmap.clusters heatmap.clusters
                        Number of clusters for the heatmap of branch genes
                        [default 6]
  -H height, --height height
                        the height of pic inches [default 7]
  -W width, --width width
                        the width of pic inches [default 6]
  -o path, --outdir path
                        output file directory [default
                        /share/nas5/zhangll/self/single_cell]
  -p prefix, --prefix prefix
                        out file name prefix [default demo]
必需参数
-i 经聚类注释后的seurat对象,为rds文件
其他参数
--assay 指定seurat对象中的assay,默认为RNA
--Customization 自定义特征基因,默认为False;为Ture时需添加--gene.list参数
--marker.genes 选择获取特征基因的方式,默认为monocle选择的高变  基因,可选方式包括monocle、seurat、deg
--gene.list 指定特征基因
--downsample 是否减少样本量,默认为False
-g 拟时序散点图的着色分组,默认按照seurat_clusters着色
-d 细胞密度图的着色分组,默认按照seurat_clusters着色
-n 指定用于绘制热图的特征基因个数,默认为20
-c 热图基因聚类个数,默认为6
-H 输出图片尺寸(高),默认为7英寸
-W 输出图片尺寸(高),默认为7英寸
-o 输出路径,默认为当前路径
-p 输出文件名,默认为demo
脚本获取方法
为了方便感兴趣的学员小伙伴想复现这个分析内容,我把数据和代码一并打包,免费供大家使用学习。只需要如下几步,即可获得下载链接。
1、关注生信博士公众号;
2、转发本文章至朋友圈,并截图
3、在公众号菜单栏回复朋友圈截图和cell_trajectory即可获得下载链接。
如果没有数据分析的基础,不知道从何下手,可以学习一下我们的《医学数据分析环境搭建》视频课程,扫描下方二维码了解课程详情。
attachments-2022-06-hUrNdqDs62a2d6cdca801.png
  • 发表于 2022-06-10 13:30
  • 阅读 ( 1510 )
  • 分类:转录组

0 条评论

请先 登录 后评论
你想桃子吗
你想桃子吗

21 篇文章

作家榜 »

  1. omicsgene 586 文章
  2. 安生水 272 文章
  3. Daitoue 167 文章
  4. 生物女学霸 120 文章
  5. 红橙子 78 文章
  6. CORNERSTONE 72 文章
  7. 生信老顽童 52 文章
  8. landy 37 文章