单细胞转录组的普通降维聚类分群流程（仅需800元）

正文

网罗了一大波生物信息学数据分析方面的工程师，是时候官宣咱们的单细胞数据处理 业务列表 ：

现在介绍10x的fastq文件的数据分析流程

我们的单细胞产品线还是蛮丰富的：

• 明码标价之10X技术单细胞（2.5万每个样品）（标准100G测序数据）
• 明码标价之10X转录组原始测序数据的cellranger流程 （单个项目收费800起）
• 明码标价之单细胞转录组的质控降维聚类分群和生物学注释 （单个 项目收 费800起 ）

• 扫描下面二维码即可添加微信咨询！

  （添加好友务必备注 高校或者工作单位+姓名，方便后续认识）

• 

只需要人民币800元，我们会提供基本的表达量矩阵开始的降维聚类分群和生物学注释！如下所示：

这里展现的是数据集GSE129516的分析流程，通常读取10x数据需要三个文件：barcodes.tsv, genes.tsv, matrix.mtx，但是这个研究者仅仅是上传了matrix文件。

本来呢，我之前似乎看到过教程，将表达矩阵逆转为10x的标准输出三个文件，还是直接用readMM()读入稀疏矩阵然后转为普通矩阵然后构建seurat对象。但是感觉太麻烦了，很明显我的技术是hold不住的啊！

这个数据集GSE129516，就是拿到了如下所示的数据文件：

我首先读取了一个文件，看了看，就是表达矩阵，所以直接CreateSeuratObject即可，都省去了3个文件的组合命令。

首先批量读取每个10x样品的表达矩阵

保证当前工作目录下面有后缀是matrices.csv.gz的文件，就是前面下载的6个文件：

rm(list=ls())
options(stringsAsFactors = F)
library(Seurat)

fs=list.files(pattern = 'matrices.csv.gz')
fs

sceList <-  lapply(fs, function(x){
  a=read.csv( x )
  a[1:4,1:4]
  raw.data=a[,-1]
  rownames(raw.data)=a[,1]
  library(stringr)
  p=str_split(x,'_',simplify = T)[,2]
  sce <- CreateSeuratObject(counts = raw.data,project = p )
})

每个matrices.csv.gz文件都读取后，提供CreateSeuratObject构建成为对象。如果是读取10x数据需要三个文件：barcodes.tsv, genes.tsv, matrix.mtx，那个更简单哦！

然后使用seurat最出名的多个10x合并算法

多个单细胞对象的整合，这里直接使用标准代码即可：

pro='integrated' 


for (i in 1:length(sceList)) {
  sceList[[i]] <- NormalizeData(sceList[[i]], verbose = FALSE)
  sceList[[i]] <- FindVariableFeatures(sceList[[i]], selection.method = "vst", 
                                             nfeatures = 2000, verbose = FALSE)
}
sceList
sce.anchors <- FindIntegrationAnchors(object.list = sceList, dims = 1:30)
sce.integrated <- IntegrateData(anchorset = sce.anchors, dims = 1:30)

因为是6个10X样品，所以这个步骤会略微有点耗费时间哦！

接着走标准的降维聚类分群

因为是构建好的对象，所以后续分析都是常规代码：

library(ggplot2)
library(cowplot)
# switch to integrated assay. The variable features of this assay are automatically
# set during IntegrateData
DefaultAssay(sce.integrated) <- "integrated"

# Run the standard workflow for visualization and clustering
sce.integrated <- ScaleData(sce.integrated, verbose = FALSE)
sce.integrated <- RunPCA(sce.integrated, npcs = 30, verbose = FALSE)
sce.integrated <- RunUMAP(sce.integrated, reduction = "pca", dims = 1:30)
p1 <- DimPlot(sce.integrated, reduction = "umap", group.by = "orig.ident")
p2 <- DimPlot(sce.integrated, reduction = "umap", group.by = "orig.ident", label = TRUE, 
              repel = TRUE) + NoLegend()
plot_grid(p1, p2)
p2
ggsave(filename = paste0(pro,'_umap.pdf') )


sce=sce.integrated
DimHeatmap(sce, dims = 1:12, cells = 100, balanced = TRUE)
ElbowPlot(sce)
sce <- FindNeighbors(sce, dims = 1:15)
sce <- FindClusters(sce, resolution = 0.2)
table([email protected]$integrated_snn_res.0.2) 
sce <- FindClusters(sce, resolution = 0.8)
table([email protected]$integrated_snn_res.0.8) 

DimPlot(sce, reduction = "umap")
ggsave(filename = paste0(pro,'_umap_seurat_res.0.8.pdf') )
DimPlot(sce, reduction = "umap"

请到「今天看啥」查看全文