hi 各位，今天周五了，要開會的關系，沒有那么多時間準備分享文獻了，但是我很想和大家分享這個方法，類似于多組學分析，配受體與TF分析聯合起來的網絡分析結果，非常有價值（配體，受體，靶基因，TF多層網絡結構，非常贊），我們今天就不分享文獻了，多關注一下代碼,文章在Inferring microenvironmental regulation of gene expression from single-cell RNA sequencing data using scMLnet with an application to COVID-19, 2020年底發表于Briefings in Bioinformatics，影響因子9分。
Introduction
scMLnet是一個R軟件包，用于根據單細胞RNA-seq表達數據構建細胞間/細胞內多層信號交換網絡。 scMLnet通過基于細胞類型特異性基因表達，先驗網絡信息和統計推斷，整合細胞間途徑（配體-受體相互作用）和細胞內子網絡（受體-TF途徑以及TF-靶基因相互作用），構建多層網絡。 scMLnet還可以可視化中央細胞和鄰近細胞之間構建的細胞間/細胞內信號通路。
The main steps of the scMLnet algorithm include:
(1) Step1 Constructing Ligand-Receptor subnetwork:
通過獲取高度表達的基因（HEG），從scRNA-Seq數據和配體受體數據庫定義潛在的配體受體子網。 類型A（發送者細胞）中的HEG被視為潛在的配體，類型B（受體細胞）中的HEG被視為潛在的受體。
(2) Step2 Constructing TF-Target gene subnetwork
通過獲取HEG和Fisher的精確檢驗（這個可以參考文章Fisher 精確檢驗與卡方檢驗(10X單細胞和10X空間轉錄組的基礎知識)），從scRNA-Seq數據和TF-Target基因數據庫中定義了有效的TF-Target基因子網絡。 B型HEG被認為是潛在的靶基因。 可以從TF-Target基因子網絡中推斷出激活的TF。
(3) Step3 Constructing Receptor-TF subnetwork
通過Fisher的精確測試從激活的TF和Receptor-TF數據庫中定義了有效的Receptor-TF子網。 激活的受體可以從TF-Target基因子網絡中推斷出來。
（4）Step4 constructing multi-layer signaling network
通過在受體與TF，TF和靶基因之間進行相關分析，然后根據共同的受體和TF重疊配體-受體，TF-靶基因，受體-TF子網來定義多層信號網絡。 （相當贊）。
輸入和輸出
For this tutorial, we will be using scMLnet to construct the multi-layer signaling network between B cells and Secretory cells from scRNA-Seq data of BALF in COVID-19 patients. The expression matrix and annotation of clstuers can be found in the /example folder (or be downloaded from Zenodo) and the prior information about interactions in the /database folder.
library(Seurat)
library(Matrix)
library(parallel)
library(scMLnet)
加載包，Seurat包用于normalizing the raw scRNA-Seq data，the Matrix package is used for transformation between matrix and sparse matrix and the parallel package is used for parallel computation of t.test for screening（后面兩步好像Seurat本身就可以完成，Seurat依賴于后兩個包，所以有這個功能）。
輸入的是We then read a raw scRNA-Seq data with rows as genes (gene symbols) and columns as cells and the gene expression matrix is required as a sparse matrix（原始矩陣）。
# import sample data
GCMat <- readRDS("./example/data.Rdata")
GCMat<- as(GCMat,"dgCMatrix")
# import sample annotation
BarCluFile <- "./example/barcodetype.txt"
BarCluTable <- read.table(BarCluFile,sep = "\t",header = TRUE,stringsAsFactors = FALSE)
我們這里以配體為B細胞，受體為Secretory為例
types <- unique(BarCluTable$Cluster)
LigClu <- "B cells" #types[4]
RecClu <- "Secretory" #types[8]
參數設置
默認參數設置如下。 用戶可以提供自己的數據庫，其中必須包括三個列：分子A，分子B和密鑰（用下劃線將A與B連接起來）。 分子A和B需要具有清晰的身份（即配體，受體，TF和靶標基因），并且它們之間應存在相互作用 （這里我們用本身數據庫的就好）。
根據sender細胞和receiver細胞之間基因表達百分比的差異（受pct參數影響）和比率（受logfc參數影響），我們首先在兩種細胞中分別定義特定的高表達基因。（這里差異基因的選擇我們需要注意）。
sender細胞中高表達的基因被認為是潛在的配體，而receiver細胞中高表達的基因被認為是潛在的受體和靶基因。 我們通過在數據庫中搜索配體-受體對來篩選潛在的配體-受體相互作用。 然后，我們通過Fisher精確檢驗（受pval參數限制）篩選潛在的受體-TF，TF-Target基因相互作用。（構建這個網絡信息，很重要）。
pval <- 0.05
logfc <- 0.15
LigRecLib <- "./database/LigRec.txt"
TFTarLib <- "./database/TFTargetGene.txt"
RecTFLib <- "./database/RecTF.txt"
Construction of Multi-layer Signaling Networks
獲得高表達基因的運行時間取決于兩種類型細胞中基因表達的t檢驗。 并行執行t檢驗可以提高scMLnet的性能（前提：已安裝并行軟件包）。
netList <- RunMLnet(GCMat, BarCluFile, RecClu, LigClu,
pval, logfc,
LigRecLib, TFTarLib, RecTFLib)
###這個函數沒有其他的參數
Save and Visualization of Multi-layer Signaling Networks
輸出netList是由連接每個上游層和下游層（即Ligand_Receptor，Receptor_TF和TF_Gene子網絡）的基因對組成的列表。 信令子網作為數據幀對象返回，其結構與示例數據庫相同。
workdir <- "sample"
DrawMLnet(netList,LigClu,RecClu,workdir,PyHome,plotMLnet = T)
Construction of Multi-cellular Multi-layer Signaling Networks
import data
GCMat <- readRDS("./example/data.Rdata")
GCMat<- as(GCMat,"dgCMatrix")
# import annotation
BarCluFile <- "./example/barcodetype.txt"
BarCluTable <- read.table(BarCluFile,sep = "\t",header = TRUE,stringsAsFactors = FALSE)
## get LigClu
LigClus <- unique(BarCluTable$Cluster)
LigClus <- LigClus[-grep("Secretory|Doublets",LigClus)]
## creat MLnet
netList <- list()
for(ligclu in LigClus){
#sender cell and receiver cell
LigClu <- ligclu
RecClu <- "Secretory"
name <- paste(strsplit(LigClu,split = "\\W")[[1]][1],RecClu,sep = "_")
#main
netList[[name]] <- RunMLnet(GCMat,BarCluFile,RecClu,LigClu)
}
## save output and plot MLnet
workdir <- "multi-cellular"
for (name in names(netList)) {
#scMLnet output
MLnetList <- netList[[name]]
print(paste0(name,":"))
#sender cell and receiver cell
LigClu <- strsplit(name,"_")[[1]][1]
RecClu <- strsplit(name,"_")[[1]][2]
#main
PyHome <- "D:/Miniconda3/envs/R36/python.exe" #for Window
DrawMLnet(MLnetList,LigClu,RecClu,workdir,PyHome,plotMLnet = T)
}
分析方法相當不錯
生活很好，有你更好
