書(shū)接上回（跟著Cell學(xué)單細(xì)胞轉(zhuǎn)錄組分析(四):單細(xì)胞轉(zhuǎn)錄組測(cè)序UMAP降維聚類(lèi)）。完成數(shù)據(jù)降維和細(xì)胞聚類(lèi)后，最主要的環(huán)節(jié)和工作就是確定各個(gè)細(xì)胞群，明確是什么類(lèi)型的細(xì)胞，正群的細(xì)胞定群很關(guān)鍵，涉及到整個(gè)研究，所以這一步寧愿多費(fèi)時(shí)間，也不要出錯(cuò)。當(dāng)然，這也不是一蹴而就的，需要反復(fù)的確認(rèn)。

要確定各個(gè)群是什么細(xì)胞，首先需要了解細(xì)胞群的marker基因，因?yàn)椴煌?lèi)型的細(xì)胞突出 表達(dá)的基因也是不同的。這里使用FindAllMarkers鑒定各個(gè)細(xì)胞群的高表達(dá)基因。

DefaultAssay(scedata) <- "RNA"
all.markers  <- FindAllMarkers(scedata, 
                                only.pos = TRUE, 
                                min.pct = 0.25, 
                                logfc.threshold = 0.75)
significant.markers  <- all.markers [all.markers $p_val_adj < 0.2, ]
write.csv(significant.markers, file = "significant.markers.csv")#保存

Seurat提供了幾種函數(shù)例如FeaturePlot()、DotPlot()和DoHeatmap()，按照文章中的mrker基因，做一下可視化。

markers <- c("ACKR1","RAMP2","SELE","VWF","PECAM1",
             "LUM","COL3A1","DCN","COL1A1","CFD",
             "KRT14","KRT5","S100A2","CSTA","SPRR1B",
             "CD69","CD52","CXCR4","PTPRC","HCST")
DotPlot(scedata,features = markers)+coord_flip()

點(diǎn)圖：

圖片

UMAP圖：

FeaturePlot(scedata,features = c("ACKR1","LUM","KRT14","CD69"))

圖片

熱圖：

alldata <- ScaleData(scedata, 
                     features = markers, 
                     assay = "RNA")
DoHeatmap(alldata, 
          features = markers,
          group.by = "seurat_clusters",
          assay = "RNA")

圖片

很顯然，這些都是默認(rèn)出圖，距離發(fā)文章還是有一定距離的，后期我們會(huì)專(zhuān)門(mén)講解個(gè)性化的修飾，爭(zhēng)取可視化更好。

接下來(lái)就是細(xì)胞定群了，對(duì)各個(gè)細(xì)胞群命名。細(xì)胞定群有很多方法，目前也有很多工具，但是依照小編的經(jīng)驗(yàn)，自動(dòng)定群等一般結(jié)果不是完全正確，況且操作復(fù)雜，為了保證正確性，最使用的辦法還是查詢(xún)文獻(xiàn)定群。定群后，對(duì)細(xì)胞群重命名。

scedata <- subset(scedata, idents = c("21"), invert = TRUE)#去掉低質(zhì)量細(xì)胞群
new.cluster.ids <- c("0"="Fibroblast", 
                     "1"="Endothelial", 
                     "2"="Endothelial", 
                     "3"="Endothelial", 
                     "4"="Immune", 
                     "5"="Immune", 
                     "6"="Endothelial", 
                     "7"="Fibroblast", 
                     "8"="Other", 
                     "9"="Immune", 
                     "10"="Epithelial", 
                     "11"="Endothelial", 
                     "12"="Fibroblast", 
                     "13"="Immune", 
                     "14"="Other", 
                     "15"="Immune", 
                     "16"="Fibroblast", 
                     "17"="Endothelial", 
                     "18"="Fibroblast", 
                     "19"="Epithelial", 
                     "20"="Endothelial", 
                     "22"="Immune",
                     "23"="Immune", 
                     "24"="Immune", 
                     "25"="Epithelial",
                     "26"="Immune",
                     "27"="Immune", 
                     "28"="Immune", 
                     "29"="Other")
scedata <- RenameIdents(scedata, new.cluster.ids)                        
scedata$celltype <- scedata@active.ident
DimPlot(scedata, group.by = "celltype")
save(scedata, file = "scedata.RData")

圖片

最后將命名的文件保存，可視化細(xì)胞群！在進(jìn)行下一步工作之前，之后的內(nèi)容將會(huì)是對(duì)目前這些圖形結(jié)果的修飾和個(gè)性化可視化！