Liger单细胞多组学分析：seurat与liger——科研必备单细胞组学知识—科研必备知识

0901
请关注公众号【叨客共享】 在使用网站的过程中有疑问，请来公众号进行反馈哦

在使用liger整合单细胞RNA-seq的文章中，我提到liger的数据结构和函数调用不及seurat那么方便和个性化，因此将两者的优势结合起来能够大大便利我们的单细胞数据分析。本文主要介绍以下两种方法：

  1. 使用SeuratWrappers在seurat中直接调用liger进行降维聚类
  2. 使用liger内置的函数在liger对象和seurat对象之间进行转换

SeuratWrappers

SeuratWrappers相当于seurat的社区工具，能够使得我们很方便地调用别的包的一些代码和方法来处理seurat对象。SeuratWrappers目前支持Monocle3、glmpca、LIGER、Harmony以及Velocity等13个常用的单细胞转录组相关的包，具体的细节可以参考GitHub。这里不再对代码做任何讲解，因为使用方法和参数与liger基本完全一致，如果有困惑可以参考使用liger整合单细胞RNA-seq。

############################################
## Project: Liger-learning
## Script Purpose: Integrating Seurat objects using LIGER
## Data: 2020.11.01
## Author: Yiming Sun
############################################

# general setting
setwd(\'~/sunym/project/liger_learning/\')
# library
library(liger)
library(Seurat)
library(dplyr)
library(tidyverse)
library(viridis)
library(SeuratData)
library(SeuratWrappers)
# 1.Systematic comparative analysis of human PBMC
data(\"pbmcsca\")
#pbmcsca is a seurat object
pbmcsca <- NormalizeData(pbmcsca)
pbmcsca <- FindVariableFeatures(pbmcsca,selection.method = \'vst\',nfeatures = 2000)
#scale by dfferent methods --> intagrate different methods
pbmcsca <- ScaleData(pbmcsca,split.by = \'Method\',do.center = FALSE)
pbmcsca <- RunOptimizeALS(pbmcsca,k = 20,lambda = 5,split.by = \'Method\',max.iters = 30,thresh = 1e-06)
pbmcsca <- RunQuantileNorm(pbmcsca,split.by = \'Method\',knn_k = 20,quantiles = 50,min_cells = 20,do.center = FALSE,
                           max_sample = 1000,refine.knn = TRUE,eps = 0.9)
#can further cluster the data and find neighbours
pbmcsca <- FindNeighbors(pbmcsca,reduction = \'iNMF\',dims = 1:20)
pbmcsca <- FindClusters(pbmcsca,resolution = 0.3)
#dimension reduction and plotting
pbmcsca <- RunUMAP(pbmcsca,dims = 1:20,reduction = \'iNMF\')
pdf(file = \'./res/fig_201101/pbmc_split_by_methods.pdf\',width = 18,height = 5)
DimPlot(pbmcsca,group.by = c(\'Method\',\'RNA_snn_res.0.3\',\'CellType\'),ncol = 3)
dev.off()

Liger单细胞多组学分析：seurat与liger

Liger内置函数

Liger包中内置了两个函数ligerToSeurat和seuratToLiger，通常我们用的比较多的是将降维聚类过后的liger对象转换成seurat对象用于做后续的差异表达分析。我们可以简单的来看一下这两个函数的效果。首先先创建一个liger对象。

############################################
## Project: Liger-learning
## Script Purpose: liger and seurat
## Data: 2020.11.14
## Author: Yiming Sun
############################################

# general setting
setwd(\'/data/User/sunym/project/liger_learning/\')

#libarry
library(liger)
library(Seurat)
library(dplyr)
library(tidyverse)
library(viridis)


#######################################
#liger to seurat
#######################################

#load data
ctrl_dge <- readRDS(\"./data/PBMC_control.RDS\")
stim_dge <- readRDS(\"./data/PBMC_interferon-stimulated.RDS\")
#initialize a liger object
ifnb_liger <- createLiger(list(ctrl = ctrl_dge, stim = stim_dge))
#explore liger object
dim([email protected]$ctrl)
head(colnames([email protected]$ctrl))
head(rownames([email protected]$ctrl))
dim([email protected]$stim)
#normalize data
ifnb_liger <- normalize(ifnb_liger)
#select variable gene
ifnb_liger <- selectGenes(ifnb_liger)
#scale data but not center
ifnb_liger <- scaleNotCenter(ifnb_liger)
#integrate NMF
ifnb_liger <- optimizeALS(ifnb_liger,k = 20,lambda = 5,max.iters = 30,thresh = 1e-06)
#Quantile Normalization and Joint Clustering
ifnb_liger <- quantile_norm(ifnb_liger,knn_k = 20,quantiles = 50,min_cells = 20,do.center = FALSE,
                            max_sample = 1000,refine.knn = TRUE,eps = 0.9)
# you can use louvain cluster to detect and assign cluster
ifnb_liger <- louvainCluster(ifnb_liger, resolution = 0.25)
#Visualization and Downstream Analysis
ifnb_liger <- runUMAP(ifnb_liger, distance = \'cosine\', n_neighbors = 30, min_dist = 0.3)
all.plots <- plotByDatasetAndCluster(ifnb_liger, axis.labels = c(\'UMAP 1\', \'UMAP 2\'), return.plots = T)
pdf(file = \'./res/fig_201114/plot_by_dataset_and_cluster.pdf\',width = 8,height = 4)
all.plots[[1]]   all.plots[[2]]
dev.off()

Liger单细胞多组学分析：seurat与liger

#liger to seurat
#use nms
ifnb_seurat <- ligerToSeurat(ifnb_liger,use.liger.genes = TRUE,by.dataset = FALSE,renormalize = TRUE)
table([email protected])
head([email protected])
head(colnames(ifnb_seurat))

可以直接用ligerToSeurat函数进行转换，use.liger.genes参数表示是否保留variable gene的信息，by.dataset参数表示是否在cluster的名字之前加入dataset的名字以作区分，另外默认nms参数为names([email protected])，这个参数会在细胞的barcode之前加入dataset的名称并在orig.ident中标注出数据集的来源。可以看下输出简单理解下。

> #liger to seurat
> #use nms
> ifnb_seurat <- ligerToSeurat(ifnb_liger,use.liger.genes = TRUE,by.dataset = FALSE,renormalize = TRUE)
Warning: No assay specified, setting assay as RNA by default.
Warning: No columnames present in cell embeddings, setting to \'iNMF_1:20\'
Warning: No assay specified, setting assay as RNA by default.
Warning: No columnames present in cell embeddings, setting to \'tSNE_1:2\'
Warning: Feature names cannot have underscores (\'_\'), replacing with dashes (\'-\')
Performing log-normalization
0%   10   20   30   40   50   60   70   80   90   100%
[----|----|----|----|----|----|----|----|----|----|
**************************************************|
> table([email protected])

   1    0    2    9    4    3    6    7    5    8   10 
1500 2309  609   37  384  444  238  140  251   56   32 
> head([email protected])
                          orig.ident nCount_RNA nFeature_RNA
ctrl_ctrlTCAGCGCTGGTCAT-1       ctrl       2232          815
ctrl_ctrlTTATGGCTTCATTC-1       ctrl       2466          760
ctrl_ctrlACCCACTGCTTAGG-1       ctrl       1085          452
ctrl_ctrlATGGGTACCCCGTT-1       ctrl       3242          925
ctrl_ctrlTGACTGGACAGTCA-1       ctrl        635          333
ctrl_ctrlGTGTAGTGGTTGTG-1       ctrl       1462          549
> head(colnames(ifnb_seurat))
[1] \"ctrl_ctrlTCAGCGCTGGTCAT-1\" \"ctrl_ctrlTTATGGCTTCATTC-1\"
[3] \"ctrl_ctrlACCCACTGCTTAGG-1\" \"ctrl_ctrlATGGGTACCCCGTT-1\"
[5] \"ctrl_ctrlTGACTGGACAGTCA-1\" \"ctrl_ctrlGTGTAGTGGTTGTG-1\"

如果令nms = NULL。

> #not use nms
> ifnb_seurat <- ligerToSeurat(ifnb_liger,nms = NULL,use.liger.genes = TRUE,by.dataset = FALSE,renormalize = TRUE)
Warning: No assay specified, setting assay as RNA by default.
Warning: No columnames present in cell embeddings, setting to \'iNMF_1:20\'
Warning: No assay specified, setting assay as RNA by default.
Warning: No columnames present in cell embeddings, setting to \'tSNE_1:2\'
Warning: Feature names cannot have underscores (\'_\'), replacing with dashes (\'-\')
Performing log-normalization
0%   10   20   30   40   50   60   70   80   90   100%
[----|----|----|----|----|----|----|----|----|----|
**************************************************|
> table([email protected])

   1    0    2    9    4    3    6    7    5    8   10 
1500 2309  609   37  384  444  238  140  251   56   32 
> head([email protected])
                        orig.ident nCount_RNA nFeature_RNA
ctrlTCAGCGCTGGTCAT-1 SeuratProject       2232          815
ctrlTTATGGCTTCATTC-1 SeuratProject       2466          760
ctrlACCCACTGCTTAGG-1 SeuratProject       1085          452
ctrlATGGGTACCCCGTT-1 SeuratProject       3242          925
ctrlTGACTGGACAGTCA-1 SeuratProject        635          333
ctrlGTGTAGTGGTTGTG-1 SeuratProject       1462          549
> head(colnames(ifnb_seurat))
[1] \"ctrlTCAGCGCTGGTCAT-1\" \"ctrlTTATGGCTTCATTC-1\"
[3] \"ctrlACCCACTGCTTAGG-1\" \"ctrlATGGGTACCCCGTT-1\"
[5] \"ctrlTGACTGGACAGTCA-1\" \"ctrlGTGTAGTGGTTGTG-1\"

使用seurat的函数做个性化的差异表达分析，参考文章Seurat进行单细胞RNA-seq聚类分析。

#use liger cluster as cell type and do the DE analysis
new.cluster.ids <- c(\"a\", \"b\", \"c\", \"d\", \"e\", \"f\", \"g\", \"h\", \"i\", \"j\", \"k\")
names(new.cluster.ids) <- levels([email protected])
ifnb_seurat <- RenameIdents(ifnb_seurat, new.cluster.ids)
ifnb_seurat$cell_type <- [email protected]
Idents(ifnb_seurat) <- \'cell_type\'
all.marker <- FindAllMarkers(ifnb_seurat,only.pos = TRUE,min.pct = 0.25,logfc.threshold = 0.25)
cluster_a_vs_b_marker <- FindMarkers(ifnb_seurat,group.by = \'cell_type\',ident.1 = \'a\',ident.2 = \'b\',only.pos = TRUE)

手动导出liger中的降维图并导入seurat。

#get the tsne manually
tsne.obj <- CreateDimReducObject(embeddings = [email protected],key = \'testUMAP_\',global = TRUE)
ifnb_seurat[[\'tsne\']] <- tsne.obj
pdf(file = \'./res/fig_201114/dimplot_tsetUMAP.pdf\',width = 9,height = 5)
DimPlot(ifnb_seurat,group.by = \'cell_type\')
dev.off()

注意tsne.obj的barcode要与seurat中的barcode相对应，因此可以将nms设为NULL或者为tsne.obj手动加上dataset的标签。

Liger单细胞多组学分析：seurat与liger

可以看到key参数中的内容被成功导入进去了。最后我们也可以将seurat对象转换为liger对象。

> ###################################################
> #seurat to liger
> ###################################################
> ifnb_liger <- seuratToLiger(ifnb_seurat,combined.seurat = TRUE,meta.var = \'orig.ident\',renormalize = TRUE)
> head([email protected])
ctrlTCAGCGCTGGTCAT-1 ctrlTTATGGCTTCATTC-1 ctrlACCCACTGCTTAGG-1 
                   a                    a                    b 
ctrlATGGGTACCCCGTT-1 ctrlTGACTGGACAGTCA-1 ctrlGTGTAGTGGTTGTG-1 
                   a                    c                    b 
Levels: a b c d e f g h i j k
> head([email protected])
                          tSNE_1     tSNE_2
ctrlTCAGCGCTGGTCAT-1  -9.5633178 -1.5025842
ctrlTTATGGCTTCATTC-1  -7.4026990 -0.5618219
ctrlACCCACTGCTTAGG-1   3.7179575  4.9839707
ctrlATGGGTACCCCGTT-1 -11.0730367 -4.6024990
ctrlTGACTGGACAGTCA-1   0.5273923 -8.4171533
ctrlGTGTAGTGGTTGTG-1   8.8018236  5.2826267

写在最后

这部分的内容比较枯燥，主要是我自己探索了一下seurat和liger的数据结构以及他们之间如何进行相互转换，想在这里记录一下以免自己忘了。

参考链接

Integrating Seurat objects using LIGER

© 版权声明
版权声明 1、本网站名称：叨客学习资料网
2、本站永久网址：https://www.leobba.cn
3、本网站的文章部分内容可能来源于网络，仅供大家学习与参考，如有侵权，请联系站长进行删除处理。
4、本站一切资源不代表本站立场，并不代表本站赞同其观点和对其真实性负责。
5、本站一律禁止以任何方式发布或转载任何违法的相关信息，访客发现请向站长举报
6、本站资源大多存储在云盘，如发现链接失效，请联系我们我们会第一时间更新。

THE END
科研知识
# 科研工具箱# 科研必备知识# Single Cell# 单细胞组学
喜欢就支持一下吧
点赞1 分享
相关推荐
TIDE算法来预测免疫治疗疗效—科研工具箱-叨客学习资料网
TIDE算法来预测免疫治疗疗效—科研工具箱
TIDE算法来预测免疫治疗疗效—科研工具箱
8个月前 1794
SPSS实用教程：决策树预测分类模型(spss做决策树模型分析)—科研必备统计数据知识-叨客学习资料网
SPSS实用教程：决策树预测分类模型(spss做决策树模型分析)—科研必备统计数据知识
SPSS实用教程：决策树预测分类模型(spss做决策树模型分析)—科研必备统计数据知识
7个月前 1333
肿瘤耐药研究神器之——GDSC—科研工具箱-叨客学习资料网
肿瘤耐药研究神器之——GDSC—科研工具箱
肿瘤耐药研究神器之——GDSC—科研工具箱
8个月前 966
利用SPSS进行神经网络分析过程及结果解读—科研必备知识-叨客学习资料网
利用SPSS进行神经网络分析过程及结果解读—科研必备知识
利用SPSS进行神经网络分析过程及结果解读—科研必备知识
8个月前 944
转录因子预测数据库JASPAR使用教程—科研必备知识-叨客学习资料网
转录因子预测数据库JASPAR使用教程—科研必备知识
转录因子预测数据库JASPAR使用教程—科研必备知识
8个月前 858
泛素化位点预测—科研工具箱-叨客学习资料网
泛素化位点预测—科研工具箱
泛素化位点预测—科研工具箱
8个月前 778
评论 抢沙发
头像
请输入有效评论哦，肆意灌水或者乱打评论是不会通过的，会影响您评论后获得资源哦~~
提交
头像

昵称

取消
昵称

请填写用户信息：

  • 昵称(必填)
  • 邮箱(必填)
表情
[aoman][baiyan][bishi][bizui][cahan][ciya][dabing][daku][deyi][doge][fadai][fanu][fendou][ganga][guzhang][haixiu][hanxiao][zuohengheng][zhuakuang][zhouma][zhemo][zhayanjian][zaijian][yun][youhengheng][yiwen][yinxian][xu][xieyanxiao][xiaoku][xiaojiujie][xia][wunai][wozuimei][weixiao][weiqu][tuosai][tu][touxiao][tiaopi][shui][se][saorao][qiudale][se][qinqin][qiaoda][piezui][penxue][nanguo][liulei][liuhan][lenghan][leiben][kun][kuaikule][ku][koubi][kelian][keai][jingya][jingxi][jingkong][jie][huaixiao][haqian][aini][OK][qiang][quantou][shengli][woshou][gouyin][baoquan][aixin][bangbangtang][xiaoyanger][xigua][hexie][pijiu][lanqiu][juhua][hecai][haobang][caidao][baojin][chi][dan][kulou][shuai][shouqiang][yangtuo][youling]

    暂无评论内容

默认头像
 
搜索
开启精彩搜索

热门搜索

标签云
鼠标远程黑白照片变彩色鲁大师绿色免安装版鱼骨图PPT驱动管理软件驱动安装软件音频编辑软件音频编辑器电脑版音频编辑器专业版破解音频编辑音乐编辑器中文版免费音乐制作软件大全音乐制作软件音乐制作雷达图PPT隐私保护长截图键盘映射工具钉钉打卡重庆医科大学