关于电商网站规划方案,手工艺品外贸出口公司网站建设方案,宝安网站制作网站建设,上海预计几号全部解封1写在前面 昨天又是不睡觉的一天#xff0c;晚上还被家属讲了一通#xff0c;理由是我去急诊了#xff0c;没有在办公室待着#xff0c;他老公疼没人去看。#x1fae0; 我的解释是只有我一个值班医生#xff0c;不可能那么及时#xff0c;而且也不是什么急症啊。#… 1写在前面 昨天又是不睡觉的一天晚上还被家属讲了一通理由是我去急诊了没有在办公室待着他老公疼没人去看。 我的解释是只有我一个值班医生不可能那么及时而且也不是什么急症啊。 好的说完家属就暴雷了“这么大的医院就安排一个大夫值班吗” 我也是懒得跟她battle这个世界不是谁生病就谁有理吧~ 今天继续接上一次monocle3的教程吧。 2用到的包 library(tidyverse)library(monocle3)library(garnett) 3示例数据 还是上一次运行完的结果哦不知道大家有没有保存。 cds 4寻找marker genes 完成细胞聚类后我们就可以使用top_markers()来选中marker genes。 marker_test_res - top_markers(cds, group_cells_bypartition, reference_cells1000, cores8) 接着我们就可以根据cluster,partition或者colData(cds)来确定top n的基因表达量。 top_specific_markers - marker_test_res %% filter(fraction_expressing 0.10) %% group_by(cell_group) %% top_n(1, pseudo_R2)top_specific_marker_ids - unique(top_specific_markers %% pull(gene_id)) 可视化~ plot_genes_by_group(cds, top_specific_marker_ids, group_cells_bypartition, ordering_typemaximal_on_diag, max.size3) 我们再试试看看top 3的基因。 top_specific_markers - marker_test_res %% filter(fraction_expressing 0.10) %% group_by(cell_group) %% top_n(3, pseudo_R2)top_specific_marker_ids - unique(top_specific_markers %% pull(gene_id))plot_genes_by_group(cds, top_specific_marker_ids, group_cells_bypartition, ordering_typecluster_row_col, max.size3) 5注释细胞类型 确定每个cluster的类型对许多下游分析至关重要。 常用的方法是首先对细胞进行聚类然后根据其基因表达谱为每个cluster注释一个细胞类型。 我们先创建一列新的colData。 colData(cds)$assigned_cell_type - as.character(partitions(cds)) 然后我们进行一下手动注释其实手动注释是最准的。 colData(cds)$assigned_cell_type - dplyr::recode(colData(cds)$assigned_cell_type, 1Body wall muscle, 2Germline, 3Motor neurons, 4Seam cells, 5Sex myoblasts, 6Socket cells, 7Marginal_cell, 8Coelomocyte, 9Am/PH sheath cells, 10Ciliated neurons, 11Intestinal/rectal muscle, 12Excretory gland, 13Chemosensory neurons, 14Interneurons, 15Unclassified eurons, 16Ciliated neurons, 17Pharyngeal gland cells, 18Unclassified neurons, 19Chemosensory neurons, 20Ciliated neurons, 21Ciliated neurons, 22Inner labial neuron, 23Ciliated neurons, 24Ciliated neurons, 25Ciliated neurons, 26Hypodermal cells, 27Mesodermal cells, 28Motor neurons, 29Pharyngeal gland cells, 30Ciliated neurons, 31Excretory cells, 32Amphid neuron, 33Pharyngeal muscle) 可视化咯~ plot_cells(cds, group_cells_bypartition, color_cells_byassigned_cell_type) 我们可以利用choose_cells深入解析某个cluster中的亚群。 手动选择就行了非常简单。 cds_subset - choose_cells(cds) 这个时候我们需要用到graph_test()取了解亚群之间的表达差异。 pr_graph_test_res - graph_test(cds_subset, neighbor_graph knn, #knn, principal_graph, cores8)pr_deg_ids - row.names(subset(pr_graph_test_res, morans_I 0.01 q_value 0.05)) 我们甚至可以把其中表达相似的基因归为一个module。 gene_module_df - find_gene_modules(cds_subset[pr_deg_ids,], resolution1e-3) 可视化module表达。 plot_cells(cds_subset, genesgene_module_df, show_trajectory_graphF, label_cell_groupsF) 我们试试把分辨率再提高一些~ cds_subset - cluster_cells(cds_subset, resolution1e-2)plot_cells(cds_subset, color_cells_bycluster) colData(cds_subset)$assigned_cell_type - as.character(clusters(cds_subset)[colnames(cds_subset)])colData(cds_subset)$assigned_cell_type - dplyr::recode(colData(cds_subset)$assigned_cell_type, 1Sex myoblasts, 2Somatic gonad precursors, 3Vulval precursors, 4Sex myoblasts, 5Vulval precursors, 6Somatic gonad precursors, 7Sex myoblasts, 8Sex myoblasts, 9Ciliated neurons, 10Vulval precursors, 11Somatic gonad precursor, 12Distal tip cells, 13Somatic gonad precursor, 14Sex myoblasts, 15Vulval precursors)plot_cells(cds_subset, group_cells_bycluster, color_cells_byassigned_cell_type) colData(cds)[colnames(cds_subset),]$assigned_cell_type - colData(cds_subset)$assigned_cell_typecds - cds[,colData(cds)$assigned_cell_type ! Failed QC | is.na(colData(cds)$assigned_cell_type )]plot_cells(cds, group_cells_bypartition, color_cells_byassigned_cell_type, labels_per_group5) 6自动注释 这里我们用到的是Garnett。 首先我们需要确定top_markers。 assigned_type_marker_test_res - top_markers(cds, group_cells_byassigned_cell_type, reference_cells1000, cores8) 接着过滤一下marker genes。 过滤条件 1️⃣ JS specificty score 0.5 2️⃣ logistic test 有意义 3️⃣ 不是多个细胞类型的marker。 garnett_markers - assigned_type_marker_test_res %% filter(marker_test_q_value 0.01 specificity 0.5) %% group_by(cell_group) %% top_n(5, marker_score)garnett_markers - garnett_markers %% group_by(gene_short_name) %% filter(n() 1) 然后会生成一个marker文件。 这个文件你也可以进一步的加工一下根据你的生物学背景等。 generate_garnett_marker_file(garnett_markers, file./marker_file.txt) 现在可以注释咯我们先训练一下classifier。 colData(cds)$garnett_cluster - clusters(cds)worm_classifier - train_cell_classifier(cds cds, marker_file ./marker_file.txt, db org.Ce.eg.db::org.Ce.eg.db, cds_gene_id_type ENSEMBL, num_unknown 50, marker_file_gene_id_type SYMBOL, cores8) 现在可以使用前面训练好的worm_classifier了。 cds - classify_cells(cds, worm_classifier, db org.Ce.eg.db::org.Ce.eg.db, cluster_extend TRUE, cds_gene_id_type ENSEMBL) 可视化一下果然还是挺适合我等懒的~ plot_cells(cds, group_cells_bypartition, color_cells_bycluster_ext_type) 线虫的现成模型不需要自己训练了 ceWhole - readRDS(url(https://cole-trapnell-lab.github.io/garnett/classifiers/ceWhole_20191017.RDS))cds - classify_cells(cds, ceWhole, db org.Ce.eg.db, cluster_extend TRUE, cds_gene_id_type ENSEMBL) 最后祝大家早日不卷!~ 点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰 往期精彩 LASSO | 不来看看怎么美化你的LASSO结果吗 chatPDF | 别再自己读文献了让chatGPT来帮你读吧~ WGCNA | 值得你深入学习的生信分析方法~ ComplexHeatmap | 颜狗写的高颜值热图代码 ComplexHeatmap | 你的热图注释还挤在一起看不清吗 Google | 谷歌翻译崩了我们怎么办附完美解决方案 scRNA-seq | 吐血整理的单细胞入门教程 NetworkD3 | 让我们一起画个动态的桑基图吧~ RColorBrewer | 再多的配色也能轻松搞定~ rms | 批量完成你的线性回归 CMplot | 完美复刻Nature上的曼哈顿图 Network | 高颜值动态网络可视化工具 boxjitter | 完美复刻Nature上的高颜值统计图 linkET | 完美解决ggcor安装失败方案附教程 ...... 本文由 mdnice 多平台发布
