单细胞交响乐
  • 前言:我与《单细胞交响乐》的缘分
  • 1 准备篇:背景知识
    • 1.1 数据结构
    • 1.2 总览 | 从实验到分析
  • 2 积累篇:文献阅读
    • 2.1.1 综述 | 2019-单细胞转录组分析最佳思路
    • 2.1.2 综述 | 2018-单细胞捕获平台
    • 2.1.3 综述 | 2017-scRNA中的细胞聚类分群
    • 2.1.4 综述 | scRNA已经开发出超过1000款工具了,你用过几种?
    • 2.1.5 综述 | 2021-单细胞测序的微流控技术应用
    • 2.2.1 研究 | 2018-单细胞转录组探索癌症免疫治疗获得性抗性机理
    • 2.2.2 研究 | 2018-人类结直肠癌单细胞多组学分析
    • 2.2.3 研究 | 2020-单细胞分析揭示葡萄膜黑色素瘤新的进化复杂性
    • 2.2.4 研究 | 2020-COVID-19病人支气管免疫细胞单细胞测序分析
    • 2.2.5 研究 | 2020-原汁原味读--单细胞肿瘤免疫图谱
    • 2.2.6 研究 | 2021-多发性骨髓瘤发展过程中肿瘤和免疫细胞的共同进化
    • 2.2.7 研究 | 2021-多个组织的成纤维细胞图谱
    • 2.2.8 研究 | 2021-多组学分析肺结核队列的记忆T细胞状态
    • 2.2.9 研究 | 2021-CancerSCEM: 人类癌症单细胞表达图谱数据库
    • 2.2.10 研究| 2021-单细胞转录组分析COVID-19重症患者肺泡巨噬细胞亚型
    • 2.2.11 研究 |2021-单细胞转录组揭示肺腺癌特有的肿瘤微环境
    • 2.2.12 研究 | 2021-单细胞转录组揭示乳头状甲状腺癌起始与发展
    • 2.2.13 研究 | 2021-解析食管鳞癌化疗病人的单细胞转录组
    • 2.2.14 研究 | 2021-单细胞水平看骨髓瘤的细胞状态和基因调控
    • 2.3.1 算法|2020-BatchBench比较scRNA批次矫正方法
    • 2.3.2 算法 | 2021-scPhere——用地球仪来展示降维结果
    • 2.3.3 算法 | 2021-单细胞差异分析方法评测
    • 2.3.4 算法 | 2021-细胞分群新方法——CNA(co-varying neighborhood analysis)
    • 2.3.5 工具 | 2018-iSEE:单细胞数据可视化辅助网页工具
    • 2.3.6 工具 | 2021-MACA: 一款自动注释细胞类型的工具
    • 2.3.7 工具 | 2021-一个很有想法的工具——Ikarus,想要在单细胞水平直接鉴定肿瘤细胞
  • 3 流程篇:分析框架
    • 3.1 质控
    • 3.2 归一化
    • 3.3 挑选表达量高变化基因
    • 3.4 降维
    • 3.5 聚类
    • 3.6 Marker/标记基因检测
    • 3.7 细胞类型注释
    • 3.8 批次效应处理
    • 3.9 多样本间差异分析
    • 3.10 检测Doublet
    • 3.11 细胞周期推断
    • 3.12 细胞轨迹推断
    • 3.13 与蛋白丰度信息结合
    • 3.14 处理大型数据
    • 3.15 不同R包数据的相互转换
  • 4 实战篇:活学活用
    • 4.1 实战一 | Smart-seq2 | 小鼠骨髓
    • 4.2 实战二 | STRT-Seq | 小鼠大脑
    • 4.3 实战三 | 10X | 未过滤的PBMC
    • 4.4 实战四 | 10X | 过滤后的PBMC
    • 4.5 实战五 | CEL-seq2 | 人胰腺细胞
    • 4.6 实战六 | CEL-seq | 人胰腺细胞
    • 4.7 实战七 | SMARTer | 人胰腺细胞
    • 4.8 实战八 | Smart-seq2 | 人胰腺细胞
    • 4.9 实战九 | 不同技术数据整合 | 人胰腺细胞
    • 4.10 实战十 | CEL-seq | 小鼠造血干细胞
    • 4.11 实战十一 | Smart-seq2 | 小鼠造血干细胞
    • 4.12 实战十二 | 10X | 小鼠嵌合体胚胎
    • 4.13 实战十三 | 10X | 小鼠乳腺上皮细胞
    • 4.14 | 实战十四 | 10X | HCA计划的38万骨髓细胞
  • 5 补充篇:开拓思路
    • 5.1 10X Genomics概述
      • 5.1.1 10X Genomics 问题集锦
    • 5.2 CellRanger篇
      • 5.2.1 CellRanger实战(一)数据下载
      • 5.2.2 CellRanger实战(二) 使用前注意事项
      • 5.2.3 CellRanger实战(三) 使用初探
      • 5.2.4 CellRanger实战(四)流程概览
      • 5.2.5 CellRanger实战(五) 理解count输出的结果
    • 5.3 Seurat的使用
      • 5.3.1 Seurat V3 | 实战之2700 PBMCs分析
      • 5.3.2 Seurat V3 | 如何改造Seurat包的DoHeatmap函数?
      • 5.3.3 scRNA的3大R包对比
      • 5.3.4 Seurat两种数据比较:integrated vs RNA assay
      • 5.3.5 seurat 的几种findmaker比较
    • 5.4 Monocle的使用
      • 5.4.1 Monocle V3实战
    • 5.5 多个数据集的整合
      • 5.5.1 使用Seurat的merge功能进行整合
      • 5.5.2 如何使用sctransform去除批次效应
由 GitBook 提供支持
在本页
  • 前言
  • 方法描述
  • 方法优势
  • 方法劣势

这有帮助吗?

  1. 2 积累篇:文献阅读

2.3.4 算法 | 2021-细胞分群新方法——CNA(co-varying neighborhood analysis)

刘小泽写于2021.10.22

上一页2.3.3 算法 | 2021-单细胞差异分析方法评测下一页2.3.5 工具 | 2018-iSEE:单细胞数据可视化辅助网页工具

最后更新于3年前

这有帮助吗?

前言

题目:Co-varying neighborhood analysis identifies cell populations associated with phenotypes of interest from single-cell transcriptomics

日期:2021-10-21

期刊:nature biotechnology

链接:

方法描述

我们一般进行细胞分群时会进行降维聚类,这个方法也是为了分群,但它认为聚类的方法一般需要假设数据很好地捕获到生物信息,而且聚类的方法一般都需要反复调整聚类参数(比如resolution)。这个方法的核心是”邻域“(定义是very small regions in transcriptional space),再根据不同样本中邻域的共同特性去整合数据。

下面这个图展示的非常明白:

  • a左:这是一个4个样本组成的单细胞数据,进行了一个降维操作。这里展示的二维图形可以是一个主成分,也可以是多组学数据的canonical co-variates,这个过程一般还需要去除批次效应。反正目的就是把大量的不同来源细胞”铺“在一个面上。

  • a中:CNA会将每个细胞划给一个邻域,划分的依据就是其他细胞到达该细胞时随机游走的步数。如果步数最短,那么这个细胞就是Anchor cell。中间的密度图就展示了红色圆圈的细胞被认定为”小范围的C位“

    划分依据: every other cell m′ belongs to the neighborhood anchored at cell m according to the probability that a random walk in the graph from m′ will arrive at m after s steps。

  • a右:按照(a中)的方法,随机找几块区域(具体几块CNA会根据数据集计算)去寻找它们的邻域。比如这里的A-E就是(a左)图中的一部分,只是根据这几个小部分内部寻找了邻域而已

  • b:代表密度的邻域图找出来以后,就要对应到每个样本了(1-4就是那4个样本)

  • c:看每个样本(1-4)在5个区域(A-E)的密度,比如样本1在A区域的细胞数量少,那么就是蓝色(low);样本3在A区域的细胞数量多,就是红色(high);如果没有细胞(比如样本4的A区域),那就是紫色

  • d:最后将细胞密度信息整理成一个矩阵,蓝色(low,数字 -1表示);红色(high,数字1表示);没有细胞就是0

方法优势

  • 不需要调参数(比如分辨率)

  • 运行速度大大提高:CNA has favorable runtime properties: given a nearest neighbor graph, computing the NAM and conducting permutation-based association testing takes less than 1 min (and 579 MB of memory) for a dataset of more than 500,000 cells and more than 250 samples.

方法劣势

  • CNA依赖于样本间的差异,所以如果样本数量比较少效果就不好

  • 因为CNA不需要假设数据符合生物背景知识,所以如果样本量小但的确符合生物背景知识的数据,CNA可能就不如现有的统计模型

  • 虽然CNA可以支持现有的细胞类型注释和轨迹推断方法,但这类方法一般只寻求单一的信息;而CNA由于关注面比较广,可能会得到多方面的信息,可能会产生信息冗余

  • CNA的核心就是邻域的划分,那么是否每次都能找到合适的anchor cell,又是否存在划分的边界呢?

https://www.nature.com/articles/s41587-021-01066-4
image-20211022153557677