scATAC分析神器ArchR初探-簡介（1）
scATAC分析神器ArchR初探-ArchR進(jìn)行doublet處理（2）
scATAC分析神器ArchR初探-創(chuàng)建ArchRProject（3）
scATAC分析神器ArchR初探-使用ArchR降維（4）
scATAC分析神器ArchR初探--使用ArchR進(jìn)行聚類（5）
scATAC分析神器ArchR初探-單細(xì)胞嵌入（6）
scATAC分析神器ArchR初探-使用ArchR計(jì)算基因活性值和標(biāo)記基因（7）
scATAC分析神器ArchR初探-scRNA-seq確定細(xì)胞類型（8）
scATAC分析神器ArchR初探-ArchR中的偽批次重復(fù)處理（9）
scATAC分析神器ArchR初探-使用ArchR-peak-calling（10）
scATAC分析神器ArchR初探-使用ArchR識(shí)別標(biāo)記峰（11）
scATAC分析神器ArchR初探-使用ArchR進(jìn)行主題和功能豐富(12)
scATAC分析神器ArchR初探-利用ArchR豐富ChromVAR偏差(13)
scATAC分析神器ArchR初探-使用ArchR進(jìn)行足跡（14）
scATAC分析神器ArchR初探-使用ArchR進(jìn)行整合分析（15）
scATAC分析神器ArchR初探-使用ArchR進(jìn)行軌跡分析（16）
5-使用ArchR進(jìn)行聚類
大多數(shù)單細(xì)胞聚類方法專注于以縮小的維度計(jì)算最近的鄰居圖，然后識(shí)別“社區(qū)”或細(xì)胞集群。這些方法非常有效，并且是scRNA-seq中的標(biāo)準(zhǔn)做法。因此，ArchR使用來自scRNA-seq軟件包的現(xiàn)有最新聚類方法進(jìn)行聚類。
5.1使用Seurat FindClusters()函數(shù)進(jìn)行聚類
使用Seurat實(shí)現(xiàn)的圖聚類方法，我們獲得了最大的成功。在ArchR中，使用addClusters()函數(shù)執(zhí)行聚類，該函數(shù)允許將其他聚類參數(shù)通過傳遞給Seurat::FindClusters()函數(shù)...。在我們Seurat::FindClusters()看來，使用進(jìn)行聚類是確定性的，這意味著完全相同的輸入將始終導(dǎo)致完全相同的輸出。
projHeme2 <- addClusters(
input = projHeme2,
reducedDims = "IterativeLSI",
method = "Seurat",
name = "Clusters",
resolution = 0.8
)
要訪問這些群簇，我們可以使用訪問$，該訪問標(biāo)量顯示每個(gè)單個(gè)單元的集群ID。
head(projHeme2$Clusters)
我們可以列出每個(gè)群簇中存在的細(xì)胞數(shù)量：
table(projHeme2$Clusters)
為了更好地了解哪些樣本駐留在哪些聚類中，我們可以使用confusionMatrix()函數(shù)在每個(gè)樣本上創(chuàng)建一個(gè)聚類混淆矩陣。
cM <- confusionMatrix(paste0(projHeme2$Clusters), paste0(projHeme2$Sample))
cM
要將這個(gè)混淆矩陣?yán)L制為熱圖，我們使用以下pheatmap包：
library(pheatmap)
cM <- cM / Matrix::rowSums(cM)
p <- pheatmap::pheatmap(
mat = as.matrix(cM),
color = paletteContinuous("whiteBlue"),
border_color = "black"
)
p
有時(shí)二維嵌入中單元的相對位置與所識(shí)別的簇不完全一致。更明確地，來自單個(gè)群集的單元可能會(huì)出現(xiàn)在嵌入的多個(gè)不同區(qū)域中。在這些情況下，調(diào)整聚類參數(shù)或嵌入?yún)?shù)是適當(dāng)?shù)?，直到兩者之間達(dá)成一致。
5.1.1集群使用scran
此外，通過更改中的參數(shù)，ArchR可以使用scran識(shí)別群集。method``addClusters()
projHeme2 <- addClusters(
input = projHeme2,
reducedDims = "IterativeLSI",
method = "scran",
name = "ScranClusters",
k = 15
)
