那些网站被k恢复是怎么做的,网站建设什么是开发实施实施,网站建设在哪能看,深圳做网站 百度智能小程序引言 在本指南[1]中#xff0c;将介绍如何利用Cicero工具和单细胞ATAC-seq数据来识别共可接近网络。 为了在Seurat#xff08;Signac工具使用的格式#xff09;和CellDataSet#xff08;Cicero工具使用的格式#xff09;之间轻松转换数据#xff0c;将利用GitHub上的Seur… 引言 在本指南[1]中将介绍如何利用Cicero工具和单细胞ATAC-seq数据来识别共可接近网络。 为了在SeuratSignac工具使用的格式和CellDataSetCicero工具使用的格式之间轻松转换数据将利用GitHub上的SeuratWrappers包提供的转换功能。 数据加载 将采用Satpathy和Granja等人在2019年发表在《Nature Biotechnology》上的研究成果使用他们发布的包含人类CD34造血干细胞和祖细胞的单细胞ATAC-seq数据集。这些经过处理的数据可以在NCBI GEO数据库中找到链接https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE129785 首先会加载他们的数据集并使用Signac工具进行一些常规的预处理工作。 library(Signac)library(Seurat)library(SeuratWrappers)library(ggplot2)library(patchwork)# load the object created in the Monocle 3 vignettebone - readRDS(cd34.rds) 构建 Cicero 模型 Cicero 工具能够识别共可接近网络CCANs。Cicero 的开发团队已经创建了一个特别分支该分支能够与 Monocle 3 的 CellDataSet 对象协同工作。我们首先需要确保已经安装了这个分支然后我们将整个骨髓数据集的 Seurat 对象转换成 CellDataSet 格式。 # Install Ciceroif (!requireNamespace(remotes, quietly TRUE)) install.packages(remotes)remotes::install_github(cole-trapnell-lab/cicero-release, ref monocle3)library(cicero)# convert to CellDataSet format and make the cicero objectbone.cds - as.cell_data_set(x bone)bone.cicero - make_cicero_cds(bone.cds, reduced_coordinates reducedDims(bone.cds)$UMAP) 探索 Cicero 连接 为了节省时间将在这里仅用一个染色体来演示如何运行 Cicero但同样的流程也可以用来在整个基因组中寻找共可接近网络CCANs。 接下来将展示运行 Cicero 的基础步骤。这个流程包含多个环节每个环节的参数都可以根据您的数据需求从默认设置中调整以优化 Cicero 算法的性能。强烈推荐访问 Cicero 的官方网站、相关论文和文档以获取更详尽的信息。 # get the chromosome sizes from the Seurat objectgenome - seqlengths(bone)# use chromosome 1 to save some time# omit this step to run on the whole genomegenome - genome[1]# convert chromosome sizes to a dataframegenome.df - data.frame(chr names(genome), length genome)# run ciceroconns - run_cicero(bone.cicero, genomic_coords genome.df, sample_num 100)head(conns)## Peak1 Peak2 coaccess## 1 chr1-100003337-100003837 chr1-99791719-99792219 0## 2 chr1-100003337-100003837 chr1-99828699-99829199 0## 3 chr1-100003337-100003837 chr1-99835542-99836042 0## 4 chr1-100003337-100003837 chr1-99836217-99836717 0## 5 chr1-100003337-100003837 chr1-99839576-99840076 0## 6 chr1-100003337-100003837 chr1-99840640-99841140 0 识别 共可接近网络CCANs 既然已经计算出了每个峰值之间的共可接近性得分现在可以利用 Cicero 工具中的 generate_ccans() 功能将这些成对的联系整合成更广泛的共可接近网络。 ccans - generate_ccans(conns)head(ccans)## Peak CCAN## chr1-10009702-10010202 chr1-10009702-10010202 1## chr1-100151188-100151688 chr1-100151188-100151688 2## chr1-100164787-100165287 chr1-100164787-100165287 2## chr1-100165566-100166066 chr1-100165566-100166066 2## chr1-100202505-100203005 chr1-100202505-100203005 3## chr1-100215491-100215991 chr1-100215491-100215991 3 将链接整合到 Seurat 对象 能够将 Cicero 识别出的共可接近链接整合进 Seurat 的 ChromatinAssay 对象中。通过 Signac 包中的 ConnectionsToLinks() 函数可以将 Cicero 的输出转换成适合存储在 ChromatinAssay 对象链接槽的格式然后利用 Links- 赋值操作将这些链接添加到对象中。 links - ConnectionsToLinks(conns conns, ccans ccans)Links(bone) - links 现在可以通过对某个区域运行 CoveragePlot() 来可视化这些链接以及 DNA 可及性信息 CoveragePlot(bone, region chr1-40189344-40252549) Reference [1] Source: https://stuartlab.org/signac/articles/cicero 本文由 mdnice 多平台发布
