一直在路上，人生才會充滿無限可能。
先定個小目標，系統的學習完劉小澤老師的《單細胞交響樂1-31》
兩張非常重要的圖
scRNA-Workflow
原來不用Seurat也可以做到質控、挑高變化基因：
下面分析下droplet-based的視網膜數據【Macosko et al. (2015)】
示例數據
rm(list = ls())
# options("repos"= c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
# options(BioC_mirror="http://mirrors.tuna.tsinghua.edu.cn/bioconductor/")
library(scRNAseq)
library(scater)
library(scran)
# sce <- MacoskoRetinaData()
# save(sce,file = "MacoskoRetinaData.RData")
load("MacoskoRetinaData.RData")
MacoskoRetina
質控和歸一化
# 質控
is.mito <- grepl("^MT-",rownames(sce)) #去除線粒體基因
## 去除低質量基因
qcstats <- perCellQCMetrics(sce,subsets=list(Mito=is.mito))
filtered <- quickPerCellQC(qcstats,percent_subsets="subsets_Mito_percent") #去除
sce <- sce[,!filtered$discard]
# 歸一化
sce <- logNormCounts(sce)
sce
找高變基因
# 找高變基因
dec <- scran::modelGeneVar(sce)
hvg <- scran::getTopHVGs(dec,prop = 0.1)
dec
hvg[1:10];dim(hvg)
降維聚類
# 降維
set.seed(1234)
sce <- runPCA(sce,ncomponents=25,subset_row=hvg)
sce <- runUMAP(sce,dimred="PCA",external_neighbors=T)
#聚類
g <- buildSNNGraph(sce,use.dimred="PCA")
sce$cluster <- factor(igraph::cluster_louvain(g)$membership)
可視化
plotUMAP(sce, colour_by="cluster")
下面就該一套下游分析了，差異分析、亞群注釋、細胞周期推斷、細胞互做等。
參考鏈接：
