Seurat -- Introduction to scRNA-seq integration 跟随学习记录

文章目录

• • • 数据是如何转换的
    • 原始ifnb数据对象
    • [Splits object后的数据对象](#Splits object后的数据对象)
    • 数据对象构建完成后的标准流程
    • • Normalization后的数据对象
      • [scale 后的数据对象](#scale 后的数据对象)
    • 不同的样本进行整合
    • • JoinLayers干了什么

数据是如何转换的

seurat object 中assays R N A @ l a y e r s RNA@layers RNA@layerscounts 存放了 expression matrix （counts）

NormalizeData(sce) 后 assays R N A @ l a y e r s RNA@layers RNA@layersdata 存放了 normalization后的数据

FindVariableFeatures(sce) 就是把一些细胞高表达一些细胞低表达的高变基因抽出来放在 assays R N A @ f e a t u r e s 下面 S c a l e D a t a ( s c e ) 把上述的高变基因中心化，数据放在 a s s a y s RNA@features下面 ScaleData(sce) 把上述的高变基因中心化，数据放在assays RNA@features下面ScaleData(sce)把上述的高变基因中心化，数据放在assaysRNA@layers$scale.data 下面

RunPCA(sce) 使用assays R N A @ l a y e r s RNA@layers [email protected] 数据进行PCA降维

FindNeighbors(sce) 根据PCA结果@reductions$pca 构建SNN图 结果放在@graphs下面

FindClusters(sce) 根据@graphs下面的数据寻找cluster 结果放到 @meta.data$unintegrated_clusters 下面

如果进行了样本整合：

IntegrateLayers(object = sce, method = CCAIntegration, orig.reduction = "pca", new.reduction = "integrated.cca"）该方法使用PCA和scale.data下面的数据进行学习，产生一个新的降维数据 @reductions$integrated.cca,然后这个降维数据用于后续的构建SNN图和聚类

原始ifnb数据对象

library(Seurat)
library(SeuratData)
library(patchwork)

# install dataset
InstallData("ifnb")

# load dataset
ifnb <- LoadData("ifnb")

原始的ifnb数据对象是什么样子？

Splits object后的数据对象

数据对象构建完成后的标准流程

# run standard anlaysis workflow
ifnb <- NormalizeData(ifnb)
ifnb <- FindVariableFeatures(ifnb)
ifnb <- ScaleData(ifnb)
ifnb <- RunPCA(ifnb)

ifnb <- FindNeighbors(ifnb, dims = 1:30, reduction = "pca")
ifnb <- FindClusters(ifnb, resolution = 2, cluster.name = "unintegrated_clusters")

ifnb <- RunUMAP(ifnb, dims = 1:30, reduction = "pca", reduction.name = "umap.unintegrated")
DimPlot(ifnb, reduction = "umap.unintegrated", group.by = c("stim", "seurat_clusters"))

ifnb <- RunUMAP(ifnb, dims = 1:30, reduction = "integrated.cca")

Normalization后的数据对象

scale 后的数据对象

不同的样本进行整合

ifnb <- IntegrateLayers(object = ifnb, method = CCAIntegration, orig.reduction = "pca", new.reduction = "integrated.cca",
    verbose = FALSE)

# re-join layers after integration
ifnb[["RNA"]] <- JoinLayers(ifnb[["RNA"]])

ifnb <- FindNeighbors(ifnb, reduction = "integrated.cca", dims = 1:30)
ifnb <- FindClusters(ifnb, resolution = 1)

JoinLayers干了什么