万和城网站,3免费网站建站,一套网站开发需要多少钱,网站推广的必要性其实在Seurat v3官方网站的Vignettes中就曾见过该算法#xff0c;但并没有太多关注#xff0c;直到看了北大张泽民团队在2019年10月31日发表于Cell的《Landscap and Dynamics of Single Immune Cells in Hepatocellular Carcinoma》#xff0c;为了同时整合两类数据#xf…其实在Seurat v3官方网站的Vignettes中就曾见过该算法但并没有太多关注直到看了北大张泽民团队在2019年10月31日发表于Cell的《Landscap and Dynamics of Single Immune Cells in Hepatocellular Carcinoma》为了同时整合两类数据包括SMART-seq2和10XHemberg-lab单细胞转录组数据分析七- 导入10X和SmartSeq2数据Tabula Muris使不同平台的数据可以整合一起进行非监督聚类基因共表达聚类分析和可视化作者使用了harmony算法。 其实该算法于2018年就已经发表于bioRxiv(https://www.biorxiv.org/content/early/2018/11/04/461954) 其算法逻辑如下图所示 图1. Harmony算法概述 harmony算法与其他整合算法相比的优势 1整合数据的同时对稀有细胞的敏感性依然很好 2省内存 3适合于更复杂的单细胞分析实验设计可以比较来自不同供体组织和技术平台的细胞。 基本原理我们用不同颜色表示不同数据集用形状表示不同的细胞类型。首先Harmony应用主成分分析一文看懂PCA主成分分析将转录组表达谱嵌入到低维空间中然后应用迭代过程去除数据集特有的影响。 AHarmony概率性地将细胞分配给cluster从而使每个cluster内数据集的多样性最大化。 BHarmony计算每个cluster的所有数据集的全局中心以及特定数据集的中心。 C在每个cluster中Harmony基于中心为每个数据集计算校正因子。 D最后Harmony使用基于C的特定于细胞的因子校正每个细胞。由于Harmony使用软聚类因此可以通过多个因子的线性组合对其A中进行的软聚类分配进行线性校正来修正每个单细胞。 重复步骤A到D直到收敛为止。聚类分配和数据集之间的依赖性随着每一轮的减少而减小。 安装 library(devtools)
install_github(immunogenomics/harmony)
流程 我们以Seurat v3为例使用harmony进行数据整合 library(Seurat)
library(cowplot)
library(harmony)
首先下载稀疏矩阵示例(https://www.dropbox.com/s/t06tptwbyn7arb6/pbmc_stim.RData?dl1)并将其移动到文件夹下例如data/。 load(data/pbmc_stim.RData) #加载矩阵数据
Initialize Seurat Object 在运行Harmony之前创建一个Seurat对象并按照标准PCA用了这么多年的PCA可视化竟然是错的进行分析。 pbmc - CreateSeuratObject(counts cbind(stim.sparse, ctrl.sparse), project PBMC, min.cells 5) %%Seurat::NormalizeData(verbose FALSE) %%FindVariableFeatures(selection.method vst, nfeatures 2000) %%ScaleData(verbose FALSE) %%RunPCA(pc.genes pbmcvar.genes, npcs 20, verbose FALSE)
R语言中%%的含义是什么呢管道函数啦就是把左件的值发送给右件的表达式并作为右件表达式函数的第一个参数。 pbmcmeta.data$stim - c(rep(STIM, ncol(stim.sparse)), rep(CTRL, ncol(ctrl.sparse)))#赋值条件变量
未经校正的PC中的数据集之间存在明显差异 options(repr.plot.height 5, repr.plot.width 12)
p1 - DimPlot(object pbmc, reduction pca, pt.size .1, group.by stim, do.return TRUE)
p2 - VlnPlot(object pbmc, features PC_1, group.by stim, do.return TRUE, pt.size .1)
plot_grid(p1,p2) Run Harmony 运行Harmony的最简单方法是传递Seurat对象并指定要集成的变量。RunHarmony返回Seurat对象并使用更正后的Harmony坐标。让我们将plot_convergence设置为TRUE这样我们就可以确保Harmony目标函数在每一轮中都变得更好。 options(repr.plot.height 2.5, repr.plot.width 6)
pbmc - pbmc %%
RunHarmony(stim, plot_convergence TRUE)
Harmony 1/10
Harmony 2/10
Harmony 3/10
Harmony 4/10
Harmony 5/10
Harmony 6/10
Harmony 7/10
Harmony 8/10
Harmony converged after 8 iterations 要直接访问新的Harmony embeddings请使用Embeddings命令。 harmony_embeddings - Embeddings(pbmc, harmony)
harmony_embeddings[1:5, 1:5] 让我们查看确认数据集在Harmony运行之后的前两个维度中得到很好的整合。 options(repr.plot.height 5, repr.plot.width 12)
p1 - DimPlot(object pbmc, reduction harmony, pt.size .1, group.by stim, do.return TRUE)
p2 - VlnPlot(object pbmc, features harmony_1, group.by stim, do.return TRUE, pt.size .1)
plot_grid(p1,p2) Downstream analysis 许多下游分析是在低维嵌入而不是基因表达上进行的。要使用校正后的Harmony embeddings而不是PC还在用PCA降维快学学大牛最爱的t-SNE算法吧, 附Python/R代码请设置reduction harmony。例如让我们使用Harmony降维后的数据执行UMAP和Nearest Neighbor分析。 pbmc - pbmc %%RunUMAP(reduction harmony, dims 1:20) %%FindNeighbors(reduction harmony, dims 1:20) %%FindClusters(resolution 0.5) %%identity() 在UMAP embedding中我们可以看到更复杂的结构。由于我们使用harmony embeddings因此UMAP embeddings混合得很好。 options(repr.plot.height 4, repr.plot.width 10)
DimPlot(pbmc, reduction umap, group.by stim, pt.size .1, split.by stim) 在这种充分混合的嵌入中我们可以开始使用聚类分析来识别细胞类型Celaref | 单细胞测序细胞类型注释工具。 options(repr.plot.height 4, repr.plot.width 6)
DimPlot(pbmc, reduction umap, label TRUE, pt.size .1) 快来试一试https://github.com/immunogenomics/harmony
