1 前言
这次使用的数据是：中的不同人类供体的胰腺细胞
SMARTer其实不是个像Fluidigm、10X一样的制备系统，它是一个试剂盒。SMART技术是Clontech（Takara旗下全资子公司）的专利技术，2009年升级为SAMRTer技术后，采用更灵敏的SMARTer Oligo和高效的SMARTScribe RT进行逆转录，使其灵敏度提高至皮克级。利用SMARTer技术只需单管、单酶即可完成逆转录，无需接头连接，减少了样品操作步骤，也极大降低了样品损失，保留了原始信息，为RNA-Seq提供了可靠的基础。
2013年 Clontech公司就为Fluidigm的C1单细胞全自动制备系统推出了SMARTer Ultra Low RNA Kit。当时也是能够从C1捕获的单细胞中产生mRNA-seq文库，方便了研究。Fluidigm在C1平台上检验了多款试剂盒，发现SMARTer cDNA合成是最可靠的方法之一
参考：
后来很多平台也在使用SMARTer试剂（如WaferGen ICELL8 Single-Cell System），不过后来发现Smart-seq2的扩增效果优于SMARTer试剂盒，而且Smart-seq2技术比传统的SMARTer方法能产生更长和更多的cDNA，在低表达量时，Smart-seq2比SMARTer的基因检出率更高，结果更稳定
数据准备
library(scRNAseq)
sce.lawlor <- LawlorPancreasData()
sce.lawlor
# class: SingleCellExperiment
# dim: 26616 638
# metadata(0):
# assays(1): counts
# rownames(26616): ENSG00000229483 ENSG00000232849 ...
# ENSG00000251576 ENSG00000082898
# rowData names(0):
# colnames(638): 10th_C10_S104 10th_C11_S96 ...
# 9th-C96_S81 9th-C9_S13
# colData names(8): title age ... race Sex
# reducedDimNames(0):
# altExpNames(0):
ID转换
library(AnnotationHub)
edb <- AnnotationHub()[["AH73881"]]
anno <- select(edb, keys=rownames(sce.lawlor), keytype="GENEID",
columns=c("SYMBOL", "SEQNAME"))
rowData(sce.lawlor) <- anno[match(rownames(sce.lawlor), anno[,1]),-1]
rowData(sce.lawlor)
# DataFrame with 26616 rows and 2 columns
# SYMBOL SEQNAME
# <character> <character>
# ENSG00000229483 LINC00362 13
# ENSG00000232849 LINC00363 13
# ENSG00000229558 SACS-AS1 13
# ENSG00000232977 LINC00327 13
# ENSG00000227893 LINC00352 13
# ... ... ...
# ENSG00000232746 LINC02022 3
# ENSG00000150867 PIP4K2A 10
# ENSG00000255021 AC093496.1 3
# ENSG00000251576 LINC01267 3
# ENSG00000082898 XPO1 2
2 质控
依然是备份一下，把unfiltered数据主要用在质控的探索上
unfiltered <- sce.lawlor
检查是否有线粒体基因和批次信息
# 其中有MT基因
table(rowData(sce.lawlor)$SEQNAME=="MT")
#
# FALSE TRUE
# 25269 13
# 还有一些批次信息
table(sce.lawlor$`islet unos id`)
#
# ACCG268 ACCR015A ACEK420A ACEL337 ACHY057 ACIB065 ACIW009 ACJV399
# 136 57 45 103 39 57 93 108
进行质控
stats <- perCellQCMetrics(sce.lawlor,
subsets=list(Mito=which(rowData(sce.lawlor)$SEQNAME=="MT")))
qc <- quickPerCellQC(stats, percent_subsets="subsets_Mito_percent",
batch=sce.lawlor$`islet unos id`)
# 过滤了34个细胞
table(qc$discard)
#
# FALSE TRUE
# 604 34
sce.lawlor <- sce.lawlor[,!qc$discard]
看看过滤掉多少
colSums(as.matrix(qc))
# low_lib_size low_n_features high_subsets_Mito_percent discard
# 9 5 25 34
作图看一下
colData(unfiltered) <- cbind(colData(unfiltered), stats)
unfiltered$discard <- qc$discard
gridExtra::grid.arrange(
plotColData(unfiltered, x="islet unos id", y="sum", colour_by="discard") +
scale_y_log10() + ggtitle("Total count") +
theme(axis.text.x = element_text(angle = 90)),
plotColData(unfiltered, x="islet unos id", y="detected",
colour_by="discard") + scale_y_log10() + ggtitle("Detected features") +
theme(axis.text.x = element_text(angle = 90)),
plotColData(unfiltered, x="islet unos id", y="subsets_Mito_percent",
colour_by="discard") + ggtitle("Mito percent") +
theme(axis.text.x = element_text(angle = 90)),
ncol=2
)
看一下文库大小和线粒体占比的关系
plotColData(unfiltered, x="sum", y="subsets_Mito_percent",
colour_by="discard") + scale_x_log10()
最后把过滤条件应用在原数据
sce.lawlor <- sce.lawlor[,!qc$discard]
3 归一化
继续使用去卷积方法
library(scran)
set.seed(1000)
clusters <- quickCluster(sce.lawlor)
sce.lawlor <- computeSumFactors(sce.lawlor, clusters=clusters)
sce.lawlor <- logNormCounts(sce.lawlor)
summary(sizeFactors(sce.lawlor))
# Min. 1st Qu. Median Mean 3rd Qu. Max.
# 0.2955 0.7807 0.9633 1.0000 1.1820 2.6287
4 找表达量高变化基因
这里没有ERCC也没有UMI，所以就用最基础的方法构建模型：modelGeneVar
不过还是要指定批次信息
dec.lawlor <- modelGeneVar(sce.lawlor, block=sce.lawlor$`islet unos id`)
chosen.genes <- getTopHVGs(dec.lawlor, n=2000)
5 【尝试】矫正批次
这里写“尝试”是因为这里有一个问题：细胞总数不多，才600个，但批次的数量很多，所以归到单独的批次上细胞数就很少。这时如果继续矫正批次，不知道会不会抹除一些真实的生物学特性。
归根结底，还是一个技术噪音与生物因素之间的取舍问题
table(sce.lawlor$`islet unos id`)
#
# ACCG268 ACCR015A ACEK420A ACEL337 ACHY057 ACIB065 ACIW009 ACJV399
# 136 57 45 103 39 57 93 108
所以可以尝试一下：
library(batchelor)
set.seed(1001010)
merged.lawlor <- fastMNN(sce.lawlor, subset.row=chosen.genes,
batch=sce.lawlor$`islet unos id`)
metadata(merged.lawlor)$merge.info$lost.var
关于这个结果：lost.var ，值越大表示丢失的真实生物异质性越多
It contains a matrix of the variance lost in each batch (column) at each merge step (row).
Large proportions of lost variance (>10%) suggest that correction is removing genuine biological heterogeneity.
看到的确有损失生物异质性的可能性，那么就先放弃这个计划，直接进行下面的降维
5 降维聚类
降维
library(BiocSingular)
set.seed(101011001)
sce.lawlor <- runPCA(sce.lawlor, subset_row=chosen.genes, ncomponents=25)
sce.lawlor <- runTSNE(sce.lawlor, dimred="PCA")
聚类
snn.gr <- buildSNNGraph(sce.lawlor, use.dimred="PCA")
colLabels(sce.lawlor) <- factor(igraph::cluster_walktrap(snn.gr)$membership)
看分群与细胞类型之间关系
tab <- table(colLabels(sce.lawlor), sce.lawlor$`cell type`)
library(pheatmap)
pheatmap(log10(tab+10), color=viridis::viridis(100))
看分群与批次之间
tab2 <- table(colLabels(sce.lawlor), sce.lawlor$`islet unos id`)
library(pheatmap)
pheatmap(log10(tab2+10), color=viridis::viridis(100))
最后看看批次效应
gridExtra::grid.arrange(
plotTSNE(sce.lawlor, colour_by="label"),
plotTSNE(sce.lawlor, colour_by="islet unos id"),
ncol=2
)
