让我们把细胞类群功能刻画与数目统计画在一起吧

[ixxmu]

https://mp.weixin.qq.com/s/_W1OT8fEcD8k3pLgCB0Oqw

[ixxmu]

让我们把细胞类群功能刻画与数目统计画在一起吧 by YuLabSMU

一如即往，来一段无脑的Seurat操作：

library(Seurat)
pbmc_counts <- Read10X(
  data.dir = file.path(input_dir, "filtered_gene_bc_matrices/hg19/")
)
pbmc <- CreateSeuratObject(counts = pbmc_counts, project = "pbmc3k",
                           min.cells = 3)

pbmc[["percent.mt"]] <- PercentageFeatureSet(pbmc, pattern = "^MT-")
pbmc <- subset(pbmc,
  subset = nFeature_RNA > 200 & nFeature_RNA < 2500 & percent.mt < 5
)
pbmc <- NormalizeData(pbmc, normalization.method = "LogNormalize",
                      scale.factor = 10000)
pbmc <- ScaleData(pbmc)

pbmc <- FindVariableFeatures(pbmc, selection.method = "vst",
                             nfeatures = 2000)
pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc))
pbmc <- RunUMAP(pbmc, dims = 1:10)

pbmc <- FindNeighbors(pbmc, dims = 1:10)
pbmc <- FindClusters(pbmc, resolution = 0.5)


seurat_cluster_id <- c("Naive CD4 T", "CD14+ Mono", "Memory CD4 T", "B",
                       "CD8 T", "FCGR3A+ Mono", "NK", "DC", "Platelet")
names(seurat_cluster_id) <- levels(pbmc)
pbmc <- RenameIdents(pbmc, seurat_cluster_id)

找找Markers吧

pbmc.markers <- FindAllMarkers(pbmc, only.pos = TRUE)

pbmc.markers %>%
    group_by(cluster) %>%
    dplyr::filter(avg_log2FC > 1) %>%
    slice_head(n = 20) %>%
    ungroup() -> top20

拿出前20来当Markers。

来个富集分析吧

library(clusterProfiler)
bitr(top20$gene, 'SYMBOL', 'ENTREZID', 'org.Hs.eg.db') -> gg

top20 <- merge(top20, gg, by.x='gene', by.y = 'SYMBOL')
head(top20)
kk <- compareCluster(ENTREZID~cluster, data = top20, fun=enrichKEGG)

可视化来串场吧

先来一段我们富集分析的经典点图：

library(enrichplot)
g <- dotplot(kk) + 
  aes(x=sub("\n.*", "", Cluster)) + 
  xlab("Cell Clusters")

【和降维图保持一致的细胞类群统计图】，再用这篇文章介绍的方法先来画图：

librrary(ggsc)
p = sc_dim(pbmc) + sc_dim_geom_label()
p2 = sc_dim_count(p) + 
  coord_cartesian() + 
  ggfun::theme_noxaxis() +
  xlab(NULL)

见证奇怪的时刻到了：

library(aplot)
insert_top(g, p2, height=.2)

有了aplot这个神奇的包，本来两个对不齐的图，现在完美地对齐了。于是能够同时展示细胞类型的数目，和刻画通路的富集分析结果。这也对应到了上次说到的KISS原则，简单简洁优雅。