怎么使用scater包對單細胞轉(zhuǎn)錄組數(shù)據(jù)進行降維分析

這篇文章將為大家詳細講解有關(guān)怎么使用scater包對單細胞轉(zhuǎn)錄組數(shù)據(jù)進行降維分析，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關(guān)知識有一定的了解。

對于單細胞轉(zhuǎn)錄組的數(shù)據(jù)，常用的降維方法有以下3種

1. PCA

2. t-SNE

3. Difffusion map

   
   

通過scater這個R包，可以方便的進行降維分析，安裝方式如下

BiocManager::install("scater", version = "3.8")

具體的操作步驟如下

1. 構(gòu)建SingleCellExperiment對象

對于單細胞的數(shù)據(jù)，專門制定了一個名為SingleCellExperiment的類，用來存儲相關(guān)數(shù)據(jù)。

我們首先要做的就將相關(guān)數(shù)據(jù)導入到R中，只需要下兩種數(shù)據(jù)即可，第一種是基因的表達量數(shù)據(jù)，每一行代表一個基因，每一列代表一個細胞，示意如下

第二種是細胞的相關(guān)信息，可以是細胞的名字，采樣時間，來源組織，處理條件等metadata, 每一行是一個細胞，每一列是一種屬性，示意如下

通過這兩種數(shù)據(jù)，就可以構(gòu)建出一個SingleCellExperiment對象，代碼如下

sce <- SingleCellExperiment(
  assays = list(counts = sc_example_counts),
  colData = sc_example_cell_info
)
# 歸一化
sce <- normalize(sce)

注意必須要進行歸一化操作。

2. PCA

PCA是應用的最廣泛的降維方法，在scater中，通過一下方式可以快速的得到PCA降維后的結(jié)果，代碼如下

plotPCA(sce)

生成的圖片如下

2. t-SNE

t-SNE降維算法的代碼如下

set.seed(1000)
sce <- runTSNE(
  sce,
  perplexity = 10,
  use_dimred = "PCA",
  n_dimred = 10)
# 畫圖
plotTSNE(sce, colour_by="Treatment")

生成的圖片如下

本質(zhì)上是通過調(diào)用Rtsne這個包來進行t-SNE降維分析。

3. Diffusion Map

Diffusion Map簡稱DM降維算法，代碼如下

sce <- runDiffusionMap(sce)
plotDiffusionMap(sce)

生成的圖片如下

本質(zhì)上是通過調(diào)用destiny這個包來進行降維分析。

scater這個R包不僅提供了各種降維分析的算法，還提供了數(shù)據(jù)QC, 基因表達量可視化等功能。

關(guān)于怎么使用scater包對單細胞轉(zhuǎn)錄組數(shù)據(jù)進行降維分析就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。