hongkongdoll sex scRNA|R版CytoTRACE v2从0驱动完成单细胞分化潜能展望

发布日期：2025-03-18 03:29    点击次数：91

        CytoTRACE v2 在2024.03月发表在预印本Mapping single-cell developmental potential in health and disease with interpretable deep learning。V2 使用可证明注解性的AI算法来展望单细胞RNA测序数据的细胞分化潜能。除了给出从0（分化）到1hongkongdoll sex（万能）的相接发育潜能度量效果外，还证明细胞的发育潜能进行分为6类：具有鄙俗分化潜能的万能(totipotent)和多能(pluripotent)干细胞，到约略产生不同数目的卑劣细胞类型的 谱系摒弃性多能细胞（lineage-restricted oligopotent），多能(multipotent)和单能(unipotent)细胞hongkongdoll sex，再到最终的 分化（differentiated）细胞。

图片

相较V1的功能和表面的改良详见文献正文，在代码杀青上CytoTRACE v2中拆分为了R版块和Python版块，安设R版块的话无需设置python的环境，使用门槛大幅裁减。

一 载入R包，数据

1，R包安设 及 惩办报错

证明https://github.com/digitalcytometry/cytotrace2?tab=readme-ov-file中的方式进行安设 

（1）使用devtools::install_github凯旋安设

devtools::install_github("digitalcytometry/cytotrace2"， subdir = "cytotrace2_r") library(CytoTRACE2)# 出现报错Using github PAT from envvar GITHUB_TOKENDownloading GitHub repo digitalcytometry/cytotrace2@HEADError in utils::download.file(url， path， method = method， quiet = quiet，  :   download from 'https://api.github.com/repos/digitalcytometry/cytotrace2/tarball/HEAD' failed

（2）如果出现上述的报错，这技能唯有将报错本体的“https://api.github.com/repos/digitalcytometry/cytotrace2/tarball/HEAD” 复制到网址搜索栏回车，就会下载一个文献tar.gz的压缩文献，然后咱们再腹地安设即可。

# 腹地安设remotes::install_local("./digitalcytometry-cytotrace2-6fe2bad.tar.gz"，                       subdir = "cytotrace2_r"， # 特等的                       upgrade = F，dependencies = T)library(CytoTRACE2)library(tidyverse)library(Seurat)

注：大开tar.gz压缩包不错看到作家分的python 和r 版块，是以这里需要使用subdir参数指定为cytotrace2_r 。

注：其他的github包出现类型报错也不错使用上述方式进行惩办，一般不需要确立subdir 。

2，准备单细胞数据

然后使用之前属目过的sce.anno.RData数据 ，为轻易资源，每种细胞类型立时抽取30%的数据。

load("sce.anno.RData")sce2@meta.data$CB <- rownames(sce2@meta.data)sample_CB <- sce2@meta.data %>%   group_by(celltype) %>%   sample_frac(0.3)sce3 <- subset(sce2，CB %in% sample_CB$CB) sce3# An object of class Seurat 

二 CytoTRACE v2 分析

欲乱宴会

1，CytoTRACE v2 分析

该版块不错秉承单细胞对象 或者 单细胞矩阵的两种样式，物种不错是东说念主或者小鼠（默许）。本推文是使用 东说念主 的单细胞对象（sce3）进行cytotrace2分析的示例。

#######输入seurat 对象###########cytotrace2_result_sce <- cytotrace2(sce3，                                 is_seurat = TRUE，                                 slot_type = "counts"，                                 species = 'human'，                                seed = 1234)cytotrace2_result_sceAn object of class Seurat 51911 features across 4202 samples within 1 assay Active assay: RNA (51911 features， 2000 variable features) 4 dimensional reductions calculated: pca， umap， tsne， harmony

输入的是单细胞对象，得回的亦然单细胞对象，且meta信息中包含了相关score的效果。

图片

其中CytoTRACE2_Relative为score的具体数值效果；CytoTRACE2_Potency为著作开始提到的的六类效果。

注1：cytotrace2默许的是小鼠，是以需要指定species = 'human' ；如果是单细胞对象的话需要指定is_seurat = TRUE ；指定seed 浅易后续的效果复现。。

2，CytoTRACE v2可视化

（1）v2在 plotData 

同cytotrace v1的可视化函数不通常，v2在 plotData函数中包装了一些常见的可视化效果 ，不错先设定待展示的表型（celltype） 。

# making an annotation dataframe that matches input requirements for plotData functionannotation <- data.frame(phenotype = sce3@meta.data$celltype) %>%   set_rownames(.， colnames(sce3))# plottingplots <- plotData(cytotrace2_result = cytotrace2_result_sce，                   annotation = annotation，                   is_seurat = TRUE)# 绘制CytoTRACE2_Potency的umap图p1 <- plots$CytoTRACE2_UMAP# 绘制CytoTRACE2_Potency的umap图p2 <- plots$CytoTRACE2_Potency_UMAP# 绘制CytoTRACE2_Relative的umap图 ，v1 p3 <- plots$CytoTRACE2_Relative_UMAP # 绘制各细胞类型CytoTRACE2_Score的箱线图p4 <- plots$CytoTRACE2_Boxplot_byPheno(p1+p2+p3+p4) + plot_layout(ncol = 2)

图片

（2）转机出图的格调，与V1接近（plotData函数中的代码）

FeaturePlot(cytotrace2_result_sce， "CytoTRACE2_Relative"，pt.size = 1.5) +   scale_colour_gradientn(colours =                            (c("#9E0142"， "#F46D43"， "#FEE08B"， "#E6F598"，                                       "#66C2A5"， "#5E4FA2"))，                          na.value = "transparent"，                          limits = c(0， 1)，                          breaks = seq(0， 1， by = 0.2)，                          labels = c("0.0 (More diff.)"，                                     "0.2"， "0.4"， "0.6"， "0.8"， "1.0 (Less diff.)")，                          name = "Relative\norder \n"，                          guide = guide_colorbar(frame.colour = "black"，                                                 ticks.colour = "black")) +   ggtitle("CytoTRACE 2") +   xlab("UMAP1") + ylab("UMAP2") +   theme(legend.text = element_text(size = 10)，         legend.title = element_text(size = 12)，         axis.text = element_text(size = 12)，         axis.title = element_text(size = 12)，         plot.title = element_text(size = 12，                                   face = "bold"， hjust = 0.5，                                   margin = margin(b = 20))) +   theme(aspect.ratio = 1)

图片

单细胞的好多可视化齐是不错使用ggplot2进行自界说的。更多ggplot2 的转机不错参考ggplot2 | 对于标题，坐标轴和图例的细节修改，你可能想了解，ggplot2|详解八大基本绘制身分，ggplot2|theme主题确立，详解绘制优化-“精雕细刻” 等 。

（3）细胞类型-箱线图

除了p4自带的箱线图，也不错证明需求自行绘制 scRNA分析|使用AddModuleScore 和 AUcell进行基因集打分，可视化

library(ggpubr)p1 <- ggboxplot(cytotrace2_result_sce@meta.data， x="celltype"， y="CytoTRACE2_Score"， width = 0.6，                 color = "black"，#综合颜料                fill="celltype"，#填充                palette = "npg"，                xlab = F， #不清爽x轴的标签                bxp.errorbar=T，#清爽纰谬条                bxp.errorbar.width=0.5， #纰谬条大小                size=1， #箱型图边线的粗细                outlier.shape=NA， #不清爽outlier                legend = "right") #图例放右边 ###指定组比拟my_comparisons <- list(c("Epi"， "un")， c("T"， "un")，c("Myeloid"， "un"))p1+stat_compare_means(comparisons = my_comparisons，                      method = "wilcox.test")

图片

3，聚合monocle2 深信最先

相关的展望效果还是在metadata中了，不错在monocle2中绘制基于分化 score的效果，以此来匡助深信最先。

图片

参考贵寓：

[1]Mapping single-cell developmental potential in health and disease with interpretable deep learning

[2]Single-cell transcriptional diversity is a hallmark of developmental potential

◆ ◆ ◆  ◆ ◆

全心整理（含图PLUS版）|R言语生信分析，可视化（R统计，ggplot2绘制，生信图形可视化汇总）

RNAseq纯生信挖掘念念路共享？不hongkongdoll sex，主若是送你代码！（提议储藏）

合计对您有点匡助的但愿不错点赞，在看，转发！ 本站仅提供存储工作，悉数本体均由用户发布，如发现存害或侵权本体，请点击举报。