1. 写在前面

作为现在最火的scRNAseq分析包，Seurat当之无愧。😘
本期开始我们介绍一下Seurat包的用法，先从基础质控和过滤开始吧。🥳

2.用到的包

rm(list = ls()) library(Seurat) library(tidyverse) library(SingleR) library(celldex) library(RColorBrewer) library(SingleCellExperiment) 

3. 示例数据

3.1 读取10X文件

这里我们提供一个转成gene symbols的可读文件，如果大家拿到的是Ensemble ID，可以用之前介绍的方法进行转换。

adj.matrix <- Read10X("./soupX_pbmc10k_filt") 

3.2 创建Seurat对象

srat <- CreateSeuratObject(adj.matrix,project = "pbmc10k")  srat 

3.3 查看Seurat对象

str(srat) 

4. 提取meta.data

这里我们提取一下meta.data，顺便查看一下表头，主要是三列: 👇

• dataset ID；
• UMI/cell (nCount_RNA);
• detected genes/cell (nFeature_RNA)。

meta <- srat@meta.data head(meta) 

5.添加信息

5.1 添加线粒体基因信息

不知道大家还记得线粒体基因吗???🤒
在scRNA-seq中，线粒体基因高表达往往代表细胞状态不佳。🧐

srat[["percent.mt"]] <- PercentageFeatureSet(srat, pattern = "^MT-")  head(srat$percent.mt) 

5.2 添加核糖体基因信息

这里我们试一下添加核糖体基因的信息。👀

srat[["percent.rb"]] <- PercentageFeatureSet(srat, pattern = "^RP[SL]")  head(srat$percent.rb) 

6. 去除双细胞

scRNAseq的理想情况是每个barcode下只有一个细胞，但在实际情况中会有两个或多个细胞共用一个barcode，我们称之为doublets。🫠

识别并去除doublets的方法很多，常用的有：👇

• Scrublet;
• doubletCells;
• cxds;
• bcds;
• Hybrid;
• DoubletDetection;
• DoubletFinder;
• Solo;
• DoubletDecon。

这里推荐大家使用DoubletFinder，我们就不进行演示了，以后再做具体介绍。🤗

因为我们事先使用Scrublet做过处理了，这里就直接导入准备好的文件吧。

doublets <- read.table("./scrublet_calls.tsv",header = F,row.names = 1) colnames(doublets) <- c("Doublet_score","Is_doublet") srat <- AddMetaData(srat,doublets) head(srat[[]]) 

7. 可视化

7.1 小提琴图

这里我们用VlnPlot探索一下特征的分布情况。

VlnPlot(srat,          fill.by = "feature", # "feature", "ident"         features = c("nFeature_RNA","nCount_RNA","percent.mt","percent.rb"),         ncol = 4, pt.size = 0.1) +   theme(plot.title = element_text(size=10)) 

7.2 散点图

这里利用散点图，我们看一下不同变量间的相关性。

FeatureScatter(srat, feature1 = "nCount_RNA", feature2 = "percent.mt") 

FeatureScatter(srat, feature1 = "nCount_RNA", feature2 = "nFeature_RNA") 

FeatureScatter(srat, feature1 = "nCount_RNA", feature2 = "percent.rb") 

FeatureScatter(srat, feature1 = "percent.rb", feature2 = "percent.mt") 

FeatureScatter(srat, feature1 = "nFeature_RNA", feature2 = "Doublet_score") 

Note!

• 这里我们可以看到高线粒体基因与低UMI计数相关，可以理解为死细胞。 🫠
• 再看一下核糖体基因与线粒体基因，显著负相关。 😉
• doublet和基因表达数之间也有一定的相关性。

8. 添加信息

8.1 过滤

接着我们定义一下过滤条件，将质量差、非单细胞的数据剔除掉。🫵

srat[['QC']] <- ifelse(srat@meta.data$Is_doublet == 'True',                        'Doublet','Pass')  srat[['QC']] <- ifelse(srat@meta.data$nFeature_RNA < 500 &                         srat@meta.data$QC == 'Pass',                        'Low_nFeature', srat@meta.data$QC                        )  srat[['QC']] <- ifelse(srat@meta.data$nFeature_RNA < 500 &                         srat@meta.data$QC != 'Pass' &                         srat@meta.data$QC != 'Low_nFeature',                        paste('Low_nFeature', srat@meta.data$QC, sep = ','),                        srat@meta.data$QC                        )  srat[['QC']] <- ifelse(srat@meta.data$percent.mt > 15 &                        srat@meta.data$QC == 'Pass',                        'High_MT',srat@meta.data$QC                        )  srat[['QC']] <- ifelse(srat@meta.data$nFeature_RNA < 500 &                        srat@meta.data$QC != 'Pass' &                         srat@meta.data$QC !='High_MT',                        paste('High_MT',srat@meta.data$QC,sep = ','),                        srat@meta.data$QC                        )  table(srat[['QC']]) 

8.2 可视化

这里我们只将通过过滤条件的数据展示出来，大家可以和过滤前的比较一下。

VlnPlot(subset(srat, subset = QC == 'Pass'),          features = c("nFeature_RNA", "nCount_RNA", "percent.mt","percent.rb"),          ncol = 4, pt.size = 0.1) +   theme(plot.title = element_text(size=10)) 

需要示例数据的小伙伴，在公众号回复Seurat获取吧！

点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰