seurat对象中gene symbol的替换（自定义R包）

最新推荐文章于 2025-06-27 16:17:21 发布
原创 最新推荐文章于 2025-06-27 16:17:21 发布 · 1.6k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#r语言 #开发语言

针对Seurat对象中基因符号自动替换的问题，开发了一个R包，能够处理多种R数据类型，如list、s4、cds及matrix等，提供便捷的符号修正方案。

        我们在处理seurat对象的时候经常会发现R对象会自动把我们的gene symbol给替换掉，比如所有的下划线被替换成了短横线。会出现如下warning

        这样的结果就是画出来的图里面用的symbol和原始库中的不一致。
        为了解决这个问题，我写了一个R包，上传到了github上，大家可以自取（见如下安装步骤）。主要是针对几种不同的R数据类型进行了处理。使用起来方便快捷。

1、安装

使用本地安装是最快的

# 下载
wget -c https://codeload.github.com/myshu2017-03-14/RenameSymbolForRObject/zip/refs/heads/master -O RenameSymbolForRObject.zip
unzip RenameSymbolForRObject.zip
# 安装
R
install.packages("RenameSymbolForRObject/", repos = NULL, type = "source")
library(RenameRObject) # 导入没问题就是安装成功了


2、使用

library(RenameRObject)
# 导入包之后，需要导入reference
ref_data <- LoadReference("ref.xls")  # 注意ref.xls需要有一列gene_symbol， 并且列名必须为gene_symbol

# 测试list
gene_list <- read.table("test_data/marker_gene.xls", header = T)
new_gene_list <- RenameReference(ref_data, gene_list$gene)
# 测试，"unm_sa821" %in% new_gene_list

# 测试s4
Control <- readRDS(file = "test_data/cluster_pca.rds")
Control.plot <- RenameGenesSeurat(Control, ref_data, "RNA")
# "unm_sa821" %in% rownames(Control.plot@reductions$pca@feature.loadings)

# 测试cds
cds_data <- readRDS(file="test_data/cds_data.rds")
new_cds_data  <- RenameGenesCellDataSet(cds_data, ref_data)

# 测试matrix
new_matrix <- RenameGenesMatrix(gene_list, ref_data, "gene", if_rownames=FALSE)
# "unm_sa821" %in% new_matrix$gene

# 测试tree
RenameTree("test_data/heatmap.tree_row", "test_data/heatmap.tree_row.new", ref_data)

如果有任何疑问或建议欢迎大家留言~

玩转单细胞(7)：修改Seurat对象基因名称
qq_42090739的博客
05-09 4847
之前的玩转单细胞系列，还是受到很多人的喜欢的，这里的都是一些小问题，但是遇到的话一时半会觉得无从下手，因为都是写细枝末节的问题，学习了也是锦上添花。同样的，今天的问题也是一直以来没有想过的，只不过是在做项目的时候需要，查询了相关的解决办法，这里分享验证一下。问题：我们在构建seurat对象的时候，使用表达矩阵，基因名一般是gene symbol，如果是ID的话，网上的教程也是建议转为symbol再构建，因为构建好seurat后无法修改，确实是，因为seurat没有专门的函数进行修改。
gene ID / Gene Symbol / Ensembl ID
weixin_53682198的博客
05-10 6078
gene ID / Gene Symbol / Ensembl ID
基因的ID与基因的symbol互转
ziixiaoshenwang的博客
08-16 4453
https://david.ncifcrf.gov/home.jsp DAVID
1.如何修改seruat对象的行名 2.FeaturePlot如何把所有阳性表达的spot放到图的前面
生信小博士的博客
11-25 1385
应该是因为FindMarkers运行时候，需要使用rownames，而我们的rownames此时在不同的slot中可能是不一样的。仔细阅读该函数，发现本质就是把counts@Dimnames[[1]] 和data@Dimnames[[1]] 还应该有scale.data@Dimnames[[1]] 的名字改为gennesymbol。其实，最好的办法，可能是把count提取出来，自己制作rds文件，这样就不会有各种报错啦。在最开始的时候，就把可能报错的小火苗掐灭。ACTB好像齐一点？
转换基因名称，构建seurat object
xiaozheng1213的博客
08-12 1744
ENSG转换为gene symbol再构建seurat对象
Ensembl ID转Gene Symbol
qq_43777616的博客
07-15 4603
【代码】Ensembl ID转Gene Symbol。
文件怎么进行注释_GEO分析结果没有GeneSymbol怎么办？(2)
weixin_33048721的博客
01-12 1万+
上一章介绍了不同情况下，如何获取GEO分析结果中的GeneSymbol：GEO分析结果没有GeneSymbol怎么办？(1)，下面介绍一种一劳永逸的注释方法。还记得在高中学习三角函数之间的转换时，数学老师提到了一个万能公式，以这个万能公式为中间体，可以进行任何三角函数之间的转换。在进行GeneSymbol的转换时，如果只有探针ID，那么我们需要下载芯片数据对于的GPL注释文档，就可以对数...
如何给Seurat对象的基因重命名（基因名转换）？
最新发布
weixin_71594079的博客
06-27 1411
摘要：本文介绍了在单细胞分析中如何修改Seurat对象的基因名称。由于基因ID与基因Symbol形式差异或跨物种分析需求，常需进行基因名转换。原解决方案仅修改RNA assays的counts、data和scale.data部分，容易导致后续分析报错。作者提出了改进版函数RenameGenesSeurat_v2，可对所有assay（包括SCT）和PCA降维数据进行基因名转换，并处理了变量特征和scale.data的匹配问题。该函数支持指定基因子集，适用于常规单细胞（RNA）和空间转录组（Spatial）数据
geo 读取单细胞csv表达矩阵 单细胞 改列名 seurat
生信小博士的博客
06-28 1998
ams im allmerge addmodule
R 样品中重复基因表达矩阵处理
Queen_yu的博客
08-24 7650
R语言，去除矩阵中重复基因表达矩阵
在UMAP图上标识我们感兴趣的基因所在的类群（单细胞数据）
热门推荐
weixin_40640700的博客
07-22 1万+
参考链接： https://www.jianshu.com/p/37d2e8d68c91 我们这个代码要解决的需求，就是将我们从GEO数据库中下载的表达矩阵（.csv文件）使用seurat这个包进行处理。期望的目标是绘制出UMAP图，将我们感兴趣的基因标记在上面。 （1）目前，我对于seurat这个包的认识几乎为零。相当于是从头开始学。 （2）另一方面，我们所使用的这个处理矩阵的处理方式是相对比较模糊的。 这是我遇到的两个难题，我相信我每次都具有化险为夷的能力，我相信自己可以接下去克服难关。我希望我的.
单细胞测序实践
qz的博客
11-10 5202
单细胞测序实践
cell annotation细胞注释 给已经做成seurat对象的细胞统一改换名字 换标签 加标签
生信小博士的博客
04-07 3275
cell annotation细胞注释 给已经做成seurat对象的细胞统一改换名字 换标签 加标签 load(file = “G:/silicosis/geo/GSE127803_scRNA-seq_ibrogenic particle_and_non-fibrogenic particle_14_days/papercodes/lung_clean.rds”) 1################################cell.type.lable DimPlot(lung) Idents(lu
Seurat常用数据处理命令
weixin_54992778的博客
04-14 6054
获取seuratobj的表达矩阵： counts_matrix = GetAssayData(seurat_obj, slot="counts") counts_matrix = seurat_obj@assays$RNA@counts[,colnames(seurat_obj)] 获取seuratobj的metadata： meta <- myeloid.combined@meta.data 获取seuratobj的子集： c0 <- subset(myeloid.combined,ide
项目实战 | 利用seurat包标记感兴趣的细胞群（再次分析）
weixin_40640700的博客
07-27 3543
之前分析的，和老师讨论之后，还是有问题。明天，要向唐老师汇报这件事（既然交给我，我就要把它认认真真的完成。） ##########################加载完成数据############################################################# setwd("F://Rworkplace//唐老师的差异分析//结果文件整理") library(dplyr) library(Seurat) library(patchwork) library(ggplo.
玩转单细胞(10)：替换单细胞Seurat对象UMAP坐标
qq_42090739的博客
07-19 5423
今天这个帖子的起因是这样的。有小伙伴说自己在GEO数据库上看中了一个单细胞数据，作者提供了样本的表达矩阵，还提供了注释好celltype和坐标信息的metadata。小伙伴利用这个数据并不是想重新分析，而是想要原文作者一模一样的聚类降维，然后进行一些比较，所以说是想还原这个数据。如果不是原文作者提供了包含cell type和细胞坐标信息的metadata，那么还真不能，但是有数据就好办了。看这个图和原文还有差距比较大的，我们将原文作者的celltype信息合UMAP坐标信息替换一下。
seurat gene expression matrix基因表达矩阵数据
weixin_46021869的博客
11-26 3383
seurat 表达矩阵访问 seurat有个active assay，它其中存的就是表达矩阵，用pbmc[[“RNA”]]@counts就可以访问 数据标准化后的基因表达矩阵放在：pbmc[[“RNA”]]@data
基因symbol和ID的转换和后续数据处理
一只电饭煲的博客
11-18 9797
前言 在生物信息数据处理过程中，因为很多数据库的基因用的标识符不同，经常遇到基因symbol和ID转换的问题，这里主要介绍利用DAVID这个工具进行标识符之间的转换~ 步骤： 1.进入DAVID（https://david.ncifcrf.gov/）网页 2.选择Shortcut to DAVID Tools–>Gene ID Conversion 3.先导入基因列表，即upload部分 4.提交后，出现下图的界面，可以检查下自己的导入数据 5.重复步骤2选择Shortcut to D
sceList = lapply(samples, function(pro) { # 检查路径 data_path = file.path(dir, pro) # 读取数据（假设基因符号在第1列） tmp = Read10X( data.dir = data_path, gene.column = 1 # 关键修改！ ) # 处理数据格式 ct = if (length(tmp) == 2) tmp[[1]] else tmp # 可选：手动替换下划线（若需保留其他符号） rownames(ct) = gsub("_", "-", rownames(ct)) # 创建Seurat对象 sce = CreateSeuratObject( counts = ct, project = pro, min.cells = 5, min.features = 300 ) return(sce) })
03-30
<think>好的，我现在要分析用户提供的这段R代码，并理解它在单细胞数据处理中的用途和潜在问题。首先，用户给出的代码是使用lapply循环处理多个样本，每个样本生成一个Seurat对象，最后存储在sceList列表中。让我一步步拆解这段代码。 首先，用户提到sceList = lapply(samples, function(pro) { ... })。这里，samples应该是一个包含样本名称或标识符的向量，循环遍历每个样本进行处理。每个样本的处理流程包括数据读取、格式处理、创建Seurat对象等步骤。 接下来，代码中的data_path = file.path(dir, pro)，这里dir是包含各个样本数据的目录，每个样本的数据存储在dir下的子目录中，子目录名由pro变量指定，即每个样本对应一个目录。例如，如果samples是c("sample1", "sample2")，那么data_path会是dir/sample1和dir/sample2这样的路径。这一步没问题，但需要确认dir变量是否正确设置，以及每个样本子目录是否包含10X Genomics的数据文件（如matrix.mtx.gz, features.tsv.gz, barcodes.tsv.gz）。 然后是读取数据的关键部分：tmp = Read10X(data.dir = data_path, gene.column = 1)。这里用户特别指出gene.column = 1是关键修改。根据Seurat的文档，Read10X函数中的gene.column参数用于指定features.tsv.gz文件中哪一列作为基因标识符。gene.column=1表示使用第一列（通常是Ensembl ID），而默认值是2，即使用基因符号（如TP53）。用户在此处特意修改为使用第一列，可能是为了避免基因符号重复的问题，因为不同的Ensembl ID可能对应相同的基因符号，导致行名重复，从而在后续分析中出错。 接下来，处理数据格式的部分：ct = if (length(tmp) == 2) tmp[[1]] else tmp。这里需要理解Read10X返回的对象结构。当数据包含多种特征类型（例如Gene Expression和Antibody Capture，如在CITE-seq实验中），Read10X会返回一个包含两个矩阵的列表，第一个是基因表达矩阵，第二个是抗体捕获矩阵。因此，如果tmp的长度为2，说明存在两种特征类型，用户选择取第一个元素（基因表达数据）赋值给ct；否则直接使用tmp。这一步是合理的，但需要确保用户的数据结构是否符合预期。如果存在多个特征类型而用户未处理，可能会导致数据丢失或错误。 然后是替换行名中的下划线：rownames(ct) = gsub("_", "-", rownames(ct))。用户注释说这是可选的，为了保留其他符号。可能的原因是一些下游分析工具或Seurat本身对行名中的某些符号（如下划线）处理有问题，或者用户希望统一行名格式。例如，有些基因符号可能包含下划线，但通常使用连字符更常见。不过，这里需要注意的是，修改行名可能会影响后续的基因标识，特别是如果原本的基因标识（如Ensembl ID）中包含下划线，替换为连字符可能导致不一致。比如，假设原始行名是ENSG00000141510_TP53，替换后会变成ENSG00000141510-TP53，这可能会影响后续的注释或分析。因此，这一步需要谨慎，确保替换不会引入错误。 接下来创建Seurat对象：sce = CreateSeuratObject(counts = ct, project = pro, min.cells = 5, min.features = 300)。这里使用ct作为计数矩阵，项目名称为pro（即样本名），min.cells=5表示仅保留在至少5个细胞中表达的基因，min.features=300表示仅保留检测到至少300个基因的细胞。这些过滤参数是常见的质量控制步骤，有助于去除低质量的细胞和噪声基因。这部分代码是标准的，但需要注意参数的设置是否适合具体的数据集。例如，对于某些低质量样本，可能需要调整min.cells和min.features的值。 整体来看，这段代码的目的是为每个样本单独读取数据，进行必要的格式处理和过滤，生成Seurat对象，并存储在列表中以便后续整合分析（如使用Merge或IntegrateData函数）。然而，有几个潜在的问题需要注意： 1. **gene.column=1的选择**：虽然使用Ensembl ID可以避免基因符号重复的问题，但在后续分析中，基因符号更易读，用户可能需要将Ensembl ID映射为基因符号。或者，用户可能在后续步骤中将基因符号作为metadata添加，以便可视化时使用。需要确认是否有处理基因符号的步骤，例如在创建Seurat对象后，将基因符号添加到元数据中。 2. **替换行名中的下划线**：如果features.tsv.gz中的基因ID本身包含下划线，替换为连字符可能导致不一致。需要检查原始数据中的基因标识符格式，确保替换不会破坏唯一性或正确性。例如，Ensembl ID通常不包含下划线，而是使用点或数字，但如果是自定义的feature ID，可能会有下划线。此外，如果gene.column=1使用的是Ensembl ID，这些ID通常不包含下划线，所以替换可能是多余的，或者用户可能在处理其他类型的特征（如抗体标签）时遇到下划线。 3. **多模态数据的处理**：如果tmp返回的是包含多个矩阵的列表（例如Gene Expression和Antibody Capture），代码中仅取第一个矩阵，可能忽略了其他模态的数据。如果用户的数据包含多组学信息（如CITE-seq的抗体数据），这部分数据会被丢弃，导致分析不完整。需要确认是否需要处理多模态数据，并在代码中进行相应的调整，例如将不同模态的数据存储为不同的Assay。 4. **样本命名和项目标识**：每个Seurat对象的project参数设置为pro，即样本名。这有助于在后续整合时区分不同样本的细胞。但需要确保samples中的名称是唯一的，并且与数据目录中的结构一致。 5. **过滤参数的影响**：min.cells=5和min.features=300是常用的过滤阈值，但具体数值需要根据数据质量调整。例如，某些细胞类型可能表达较少的基因，过高的min.features可能导致细胞丢失。用户可能需要根据具体情况调整这些参数，或者在后面对过滤后的对象进行进一步的质量控制分析。 此外，用户提到“假设基因符号在第1列”，但实际上在gene.column=1时使用的是features.tsv的第一列，即Ensembl ID，而基因符号在第二列。这可能存在表述上的混淆，需要确认用户是否理解gene.column参数的作用，或者是否有误写的情况。 总结来说，这段代码适用于处理多个10X Genomics样本数据，每个样本单独读取并创建Seurat对象，进行基本的质量控制。关键点在于使用Ensembl ID作为行名以避免重复，处理可能的多个特征类型，以及行名格式的调整。潜在问题涉及多模态数据的处理、基因符号的映射、行名替换的影响以及过滤参数的设置。用户可能需要根据具体需求调整这些部分，以确保数据的完整性和分析的准确性。</think>--- ### **代码功能概述** 这段代码用于 **批量处理多个单细胞样本数据**，主要步骤包括： 1. 遍历样本目录，逐个读取10X Genomics数据 2. 统一基因标识符命名规范 3. 创建标准化的Seurat对象并进行基础质控 4. 存储所有样本对象到列表(`sceList`)中，便于后续整合分析 --- ### **逐行关键解析** #### **1. 样本遍历与路径构建** ```R sceList = lapply(samples, function(pro) { data_path = file.path(dir, pro) # 构建数据路径（如dir/sample1） }) ``` - **输入要求**： - `samples`: 字符向量，存储样本名称（需与子目录名一致） - `dir`: 总数据目录，每个样本数据应独立存放于子目录中 - 每个样本子目录需包含标准10X文件：`matrix.mtx.gz`, `features.tsv.gz`, `barcodes.tsv.gz` --- #### **2. 数据读取核心逻辑** ```R tmp = Read10X(data.dir = data_path, gene.column = 1) # 关键参数gene.column=1 ct = if (length(tmp) == 2) tmp[[1]] else tmp # 处理多模态数据 ``` - **`gene.column=1`的作用**： - 强制使用`features.tsv.gz` **第1列（Ensembl ID）** 作为基因行名 - **避免基因符号重复问题**（如 `MARCH1` 和 `MARC1` 符号易混淆） - **多模态数据判断**： - 若数据包含 **基因表达 + 抗体捕获（CITE-seq）**，`Read10X()`返回长度为2的列表 - 此处默认提取第一个元素（基因表达矩阵），**丢弃抗体数据**（需特别注意！） --- #### **3. 基因标识符规范化** ```R rownames(ct) = gsub("_", "-", rownames(ct)) # 替换下划线为连字符 ``` - **常见需求**： - 部分下游分析工具（如某些R包）对基因名中的下划线(`_`)敏感 - 统一使用连字符(`-`)可避免意外错误（如 `HLA-DRA` 比 `HLA_DRA` 更规范） - **风险提示**： - 若原始基因名本身包含有意义的下划线（如转录本ID `ENSG00000141510.10_TP53`），需谨慎操作 - **建议先检查features.tsv内容**，确认替换必要性 --- #### **4. Seurat对象创建与质控** ```R sce = CreateSeuratObject( counts = ct, project = pro, # 样本名作为项目标识 min.cells = 5, # 保留在≥5个细胞中表达的基因 min.features = 300 # 保留检测到≥300基因的细胞 ) ``` - **参数意义**： - `min.cells`: 过滤低表达基因，减少噪声（阈值依数据规模调整） - `min.features`: 过滤低质量细胞（空液滴/破裂细胞） - **输出验证**： - 可通过`head(sce@meta.data)`检查细胞数、基因数是否符合预期 - 使用`table(sce$orig.ident)`确认样本标签正确性 --- ### **潜在问题与优化建议** #### **问题1：多模态数据丢失** - **现象**：若样本包含CITE-seq抗体数据，`tmp[[1]]`仅保留基因表达矩阵 - **改进方案**： ```R # 分离基因表达与抗体数据 if (length(tmp) == 2) { gene_ct <- tmp[[1]] ab_ct <- tmp[[2]] sce <- CreateSeuratObject(gene_ct, project = pro) sce[["ADT"]] <- CreateAssayObject(ab_ct) # 存储为独立Assay } ``` #### **问题2：基因符号未保留** - **现象**：使用Ensembl ID作为行名，但可视化时需基因符号 - **解决方案**： ```R # 添加基因符号到metadata features <- read.table(gzfile(file.path(data_path, "features.tsv.gz")), header = FALSE) sce[["RNA"]]@meta.features$symbol <- features$V2 ``` #### **问题3：行名替换副作用** - **验证方法**： ```R # 检查替换后的重复情况 sum(duplicated(rownames(ct))) # 应为0 ``` --- ### **典型应用场景** 1. **多样本预处理**：后续可使用 `merge()` 或 `IntegrateData()` 合并样本 ```R merged_sce <- merge(sceList[[1]], y = sceList[-1]) ``` 2. **批量质控**：循环计算线粒体基因占比等指标 ```R sceList <- lapply(sceList, function(sce) { sce[["percent.mt"]] <- PercentageFeatureSet(sce, pattern = "^MT-") return(sce) }) ``` --- ### **总结** 此代码实现了 **多样本单细胞数据的标准化预处理**，核心优势在于： - 通过`gene.column=1`规避基因符号重复风险 - 统一的命名规范增强数据兼容性 - 基础质控过滤提升下游分析可靠性 **注意事项**：需根据数据类型（是否含多组学）和基因标识符特点调整替换逻辑，并补充元数据信息以便后续分析。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值