Cell markers | pbmc marker, 周期基因 marker genes

原创 已于 2023-12-03 10:45:50 修改 · 769 阅读 · 1 ·
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：

#机器学习 #业界资讯

于 2022-09-14 22:19:09 首次发布
这篇博客探讨了Seurat R包在PBMC数据分析中的应用，重点关注细胞周期基因的鉴定。文中提到，细胞周期基因包括一些特征基因，它们参与不同的细胞周期阶段并具有特定功能。为了设计实验并构建周期特有基因的true positive集合，博主建议通过实验验证和表达谱数据分析相结合的方法。

PBMC

R包 Seurat 官方示例的结果。
在这里插入图片描述

Cell cycle

不同细胞的周期基因有哪些？有什么特征基因？有哪些功能？

怎么设计一个实验，做出一系列周期特有基因的 true positive 基因集合？
在这里插入图片描述

CellMarker：人和小鼠中人工标记的细胞标记资源
03-31
生物学中最基本的问题之一是什么类型的细胞以功能协调的方式形成不同的组织和器官。 现在，大规模的单细胞测序和生物学实验研究正在通过揭示显着的细胞标志物来区分组织中不同细胞类型的方法，Swift开辟了跟踪这一问题的新方法。 在这里，我们开发了CellMarker数据库（http://biocc.hrbmu.edu.cn/CellMarker/或http://bio-bigdata.hrbmu.edu.cn/CellMarker/），旨在提供全面，准确的资源人和小鼠组织中各种细胞类型的细胞标志物。 通过人工策划超过10万篇发表的论文，记录了4124个条目，包括细胞标志物信息，组织类型，细胞类型，癌症信息和来源。 最后，收集了158种人类组织/亚组织中467种细胞类型的13,605种细胞标志物和81种小鼠组织/亚组织中9,389种细胞类型的9148种细胞标记物，并将其保存在CellMarker中。 CellMarker提供了一个用户友好的界面，用于浏览，搜索和下载不同组织的不同细胞类型的标记。 此外，通过生动的统计图可以直观直观地显示每种细胞类型中标记物的流行情况。 我们相信，CellMarker是细胞研究的全面而宝贵的资源，可用于精确识别和表征细胞，尤其是在单细胞水平上。
CellMarker | 人骨骼肌组织细胞Marker大全！~（强烈建议火速收藏！）
m0_72224305的博客
05-06 2112
让chatGPT来帮你读吧！🤥 ComplexHeatmap | 你的热图注释还挤在一起看不清吗！🤗 boxjitter | 完美复刻Nature上的高颜值统计图。🤩 ComplexHeatmap | 颜狗写的高颜值热图代码！🤩 LASSO | 不来看看怎么美化你的LASSO结果吗！🤩 RColorBrewer | 再多的配色也能轻松搞定！🤣 NetworkD3 | 让我们一起画个动态的桑基图吧~🤩 CMplot | 完美复刻Nature上的曼哈顿图。🤩 WGCNA | 值得你深入学习的生信分析方法！
PBMC: marker gene (Human)
watermel__的博客
05-19 1784
intermediate monocytes : HLA-DR* [1-5] CD74[6] naive CD8 T cells : CCR7[7-8],TCF7[8],LEF1[8] naive CD4 T cells and naive CD8 T cells : CD45RA, CD62L, CD27, CD28, CCR9, CD31 and/or CD103 [9-13] myeloid DC: CST3, HLA-DPA1, HLA-DQB1[14] non-classical monocyt
CellMarker 2.0 | 鼠标点一点就完成单细胞分析的完美工具~
m0_72224305的博客
11-18 7936
1写在前面 本期我们介绍一下CellMarker 2.0上更新的6个网页工具，主要是用于scRNA-seq数据的分析与可视化。🥰 网址如下：👇 📍http://bio-bigdata.hrbmu.edu.cn/CellMarker/index.html 2Single cell web tools 概览 作者通过搜索GEO(https://www.ncbi.nlm.nih. gov/geo/)数据库的scRNA-seq数据，整合了108个scRNA-seq数据，38种疾病，1,467,748个细胞。🥳
CellMarker 2.0 | 细胞标志物数据库更新啦！~（附使用指南）
m0_72224305的博客
11-16 1万+
1写在前面 细胞标志物（Cellmarker）可以用来定义、区别不同细胞。随着单细胞测序（scRNA-seq）的普及（主要是便宜了📉），相关的研究也越来越多。🥳 在进行细胞注释的时候，我们也介绍过，其实最准确的方法并不是使用什么包，而是使用手动注释。😘 本期就介绍一下这个由已知实验支持的人或小鼠各器官中不同细胞类型的标志物数据库，CellMarker 2.0。👀 🌟 这个数据库首次发布是在2019年，不到4年就更新了第二版，效率可见一斑呀，而且本次还添加了强大的网页工具功能。🤩（请左右滑动查看：👇） 2
单细胞基础分析 | 对细胞按照基因marker进行分型（ACC脑区）
weixin_40640700的博客
03-12 1万+
因项目的需求，需要对数据进行简单的分类，然后找差异表达基因。 虽然我自知自己在这个过程中的很多方面并不理解透彻，很糊涂的去做。但是我愿意去尝试完成。 现在开始跟着Seurat上面的教程一点点的来做。 参考链接：https://satijalab.org/seurat/articles/pbmc3k_tutorial.html 1、加载分析必须的包 library(Seurat) library(dplyr) library(patchwork) 2、加载10XGenomics 数据 data<-.
单细胞测序流程（五）t-sne聚类分析和寻找marker基因
热门推荐
qq_45478665的博客
07-13 2万+
系列文章目录 单细胞测序流程（一）简介与数据下载 单细胞测序流程（二）数据整理 单细胞测序流程（三）质控和数据过滤——Seurat包分析，小提琴图和基因离差散点图 单细胞测序流程（四）主成分分析——PCA 本期主讲内容——t-sne聚类分析和寻找marker基因 介绍：T-SNE是一种用于探索高维数据的非线性降维算法。它将多维数据映射到适合于人类观察的两个或多个维度。 一、课前准备 之前所使用的数据 R语言的IDE 二、过程 聚类分析的目的是根据细胞的差别所进行细胞分群，两个..
#install.packages("Seurat") #if (!requireNamespace("BiocManager", quietly = TRUE)) #install.packages("BiocManager") #BiocManager::install("GSVA") #BiocManager::install("GSEABase") #BiocManager::install("limma") #BiocManager::install("SingleR") #BiocManager::install("celldex") #BiocManager::install("monocle") ###################################01.数据前期处理和矫正################################### #引用包 library(limma) library(Seurat) library(dplyr) library(magrittr) library(celldex) library(SingleR) library(monocle) logFCfilter=1 #logFC的过滤条件 adjPvalFilter=0.05 #矫正后的pvalue的过滤条件 inputFile="treat.txt" #输入文件 setwd("C:\\singlecell\\6scanalyze") #设置工作目录 #读取文件，并对输入文件进行整理 rt=read.table(inputFile, header=T, sep="\t", check.names=F) rt=as.matrix(rt) rownames(rt)=rt[,1] exp=rt[,2:ncol(rt)] dimnames=list(rownames(exp),colnames(exp)) data=matrix(as.numeric(as.matrix(exp)),nrow=nrow(exp),dimnames=dimnames) data=avereps(data) #将矩阵转换为Seurat对象，并对数据进行过滤 pbmc=CreateSeuratObject(counts = data,project = "seurat", min.cells=3, min.features=50, names.delim = "_") #使用PercentageFeatureSet函数计算线粒体基因的百分比 pbmc[["percent.mt"]] <- PercentageFeatureSet(object = pbmc, pattern = "^MT-") #绘制基因特征的小提琴图 pdf(file="01.featureViolin.pdf", width=10, height=6) VlnPlot(object = pbmc, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3) dev.off() pbmc=subset(x = pbmc, subset = nFeature_RNA > 50 & percent.mt < 5) #对数据进行过滤 #测序深度的相关性图 pdf(file="01.featureCor.pdf",width=10,height=6) plot1 <- FeatureScatter(object = pbmc, feature1 = "nCount_RNA", feature2 = "percent.mt",pt.size=1.5) plot2 <- FeatureScatter(object = pbmc, feature1 = "nCount_RNA", feature2 = "nFeature_RNA",,pt.size=1.5) CombinePlots(plots = list(plot1, plot2)) dev.off() #对数据进行标准化 pbmc <- NormalizeData(object = pbmc, normalization.method = "LogNormalize", scale.factor = 10000) #提取细胞间变异系数较大的基因 pbmc <- FindVariableFeatures(object = pbmc, selection.method = "vst", nfeatures = 1500) #输出特征方差图 top10 <- head(x = VariableFeatures(object = pbmc), 10) pdf(file="01.featureVar.pdf",width=10,height=6) plot1 <- VariableFeaturePlot(object = pbmc) plot2 <- LabelPoints(plot = plot1, points = top10, repel = TRUE) CombinePlots(plots = list(plot1, plot2)) dev.off() ###################################02.PCA主成分分析################################### ##PCA分析 pbmc=ScaleData(pbmc) #PCA降维之前的标准预处理步骤 pbmc=RunPCA(object= pbmc,npcs = 20,pc.genes=VariableFeatures(object = pbmc)) #PCA分析 #绘制每个PCA成分的特征基因 pdf(file="02.pcaGene.pdf",width=10,height=8) VizDimLoadings(object = pbmc, dims = 1:4, reduction = "pca",nfeatures = 20) dev.off() #绘制主成分分析图形 pdf(file="02.PCA.pdf",width=6.5,height=6) DimPlot(object = pbmc, reduction = "pca") dev.off() #主成分分析热图 pdf(file="02.pcaHeatmap.pdf",width=10,height=8) DimHeatmap(object = pbmc, dims = 1:4, cells = 500, balanced = TRUE,nfeatures = 30,ncol=2) dev.off() #得到每个PC的p值分布 pbmc <- JackStraw(object = pbmc, num.replicate = 100) pbmc <- ScoreJackStraw(object = pbmc, dims = 1:15) pdf(file="02.pcaJackStraw.pdf",width=8,height=6) JackStrawPlot(object = pbmc, dims = 1:15) dev.off() ###################################03.TSNE聚类分析和marker基因################################### ##TSNE聚类分析 pcSelect=14 pbmc <- FindNeighbors(object = pbmc, dims = 1:pcSelect) #计算邻接距离 pbmc <- FindClusters(object = pbmc, resolution = 0.5) #对细胞分组,对细胞标准模块化 pbmc <- RunTSNE(object = pbmc, dims = 1:pcSelect) #TSNE聚类 pdf(file="03.TSNE.pdf",width=6.5,height=6) TSNEPlot(object = pbmc, pt.size = 2, label = TRUE) #TSNE可视化 dev.off() write.table(pbmc$seurat_clusters,file="03.tsneCluster.txt",quote=F,sep="\t",col.names=F) ##查找每个聚类的差异基因 pbmc.markers <- FindAllMarkers(object = pbmc, only.pos = FALSE, min.pct = 0.25, logfc.threshold = logFCfilter) sig.markers=pbmc.markers[(abs(as.numeric(as.vector(pbmc.markers$avg_log2FC)))>logFCfilter & as.numeric(as.vector(pbmc.markers$p_val_adj))<adjPvalFilter),] write.table(sig.markers,file="03.clusterMarkers.txt",sep="\t",row.names=F,quote=F) top10 <- pbmc.markers %>% group_by(cluster) %>% top_n(n = 10, wt = avg_log2FC) #绘制marker在各个cluster的热图 pdf(file="03.tsneHeatmap.pdf",width=12,height=9) DoHeatmap(object = pbmc, features = top10$gene) + NoLegend() dev.off() #绘制marker的小提琴图 pdf(file="03.markerViolin.pdf",width=10,height=6) VlnPlot(object = pbmc, features = row.names(sig.markers)[1:2]) dev.off() #需要展示的基因，可以修改 showGenes=c("OLFM4","PDIA2","CPS1","LGALS2","TMED3","CLDN2","MSMB","AQP5","SPINK4","PIGR") #绘制marker在各个cluster的散点图 pdf(file="03.markerScatter.pdf",width=10,height=6) FeaturePlot(object = pbmc, features = showGenes, cols = c("green", "red")) dev.off() #绘制marker在各个cluster的气泡图 pdf(file="03.markerBubble.pdf",width=12,height=6) cluster10Marker=showGenes DotPlot(object = pbmc, features = cluster10Marker) dev.off() ###################################04.SingleR R包注释细胞类型################################### counts <- GetAssayData(pbmc, assay = "RNA", slot = "counts")#低版本报错：counts<-pbmc@assays$RNA@counts #错误: 没有名称为"counts"的插槽对于此对象类 "Assay5" clusters<-pbmc@meta.data$seurat_clusters ann=pbmc@meta.data$orig.ident #ref=get(load("ref_Human_all.RData")) ref=celldex::HumanPrimaryCellAtlasData()#保持网络畅通；实在不行多运行几遍 singler=SingleR(test=counts, ref =ref, labels=ref$label.main, clusters = clusters) clusterAnn=as.data.frame(singler) clusterAnn=cbind(id=row.names(clusterAnn), clusterAnn) clusterAnn=clusterAnn[,c("id", "labels")] write.table(clusterAnn,file="04.clusterAnn.txt",quote=F,sep="\t", row.names=F) singler2=SingleR(test=counts, ref =ref, labels=ref$label.main) cellAnn=as.data.frame(singler2) cellAnn=cbind(id=row.names(cellAnn), cellAnn) cellAnn=cellAnn[,c("id", "labels")] write.table(cellAnn, file="04.cellAnn.txt", quote=F, sep="\t", row.names=F) #cluster注释后的可视化 newLabels=singler$labels names(newLabels)=levels(pbmc) pbmc=RenameIdents(pbmc, newLabels) pdf(file="04.TSNE.pdf",width=6.5,height=6) TSNEPlot(object = pbmc, pt.size = 2, label = TRUE) #TSNE可视化 dev.off() ##cluster注释后的差异分析 pbmc.markers=FindAllMarkers(object = pbmc, only.pos = FALSE, min.pct = 0.25, logfc.threshold = logFCfilter) sig.cellMarkers=pbmc.markers[(abs(as.numeric(as.vector(pbmc.markers$avg_log2FC)))>logFCfilter & as.numeric(as.vector(pbmc.markers$p_val_adj))<adjPvalFilter),] write.table(sig.cellMarkers,file="04.cellMarkers.txt",sep="\t",row.names=F,quote=F) ###################################05.monocle R包细胞轨迹分析################################### #准备细胞轨迹分析需要的文件 #monocle.matrix=as.matrix(pbmc@assays$RNA@data) monocle.matrix <- as.matrix(GetAssayData(pbmc, assay = "RNA", slot = "data")) monocle.sample=pbmc@meta.data monocle.geneAnn=data.frame(gene_short_name = row.names(monocle.matrix), row.names = row.names(monocle.matrix)) monocle.clusterAnn=clusterAnn monocle.markers=sig.markers #将Seurat结果转换为monocle需要的细胞矩阵，细胞注释表格和基因注释表格 data <- as(as.matrix(monocle.matrix), 'sparseMatrix') pd<-new("AnnotatedDataFrame", data = monocle.sample) fd<-new("AnnotatedDataFrame", data = monocle.geneAnn) cds <- newCellDataSet(data, phenoData = pd, featureData = fd) names(pData(cds))[names(pData(cds))=="seurat_clusters"]="Cluster" pData(cds)[,"Cluster"]=paste0("cluster",pData(cds)[,"Cluster"]) #添加细胞聚类数据 clusterAnn=as.character(monocle.clusterAnn[,2]) names(clusterAnn)=paste0("cluster",monocle.clusterAnn[,1]) pData(cds)$cell_type2 <- plyr::revalue(as.character(pData(cds)$Cluster),clusterAnn) #细胞轨迹分析流程 cds <- estimateSizeFactors(cds) cds <- estimateDispersions(cds) cds <- setOrderingFilter(cds, as.vector(sig.markers$gene)) #plot_ordering_genes(cds) cds <- reduceDimension(cds, max_components = 2, reduction_method = 'DDRTree') cds <- orderCells(cds) #保存树枝的细胞轨迹图 pdf(file="05.trajectory.State.pdf",width=6.5,height=6) plot_cell_trajectory(cds,color_by = "State") dev.off() #保存时间的细胞轨迹图 pdf(file="05.trajectory.Pseudotime.pdf",width=6.5,height=6) plot_cell_trajectory(cds,color_by = "Pseudotime") dev.off() #保存细胞名称的细胞轨迹图 pdf(file="05.trajectory.cellType.pdf",width=6.5,height=6) plot_cell_trajectory(cds,color_by = "cell_type2") dev.off() #保存聚类的细胞轨迹图 pdf(file="05.trajectory.cluster.pdf",width=6.5,height=6) plot_cell_trajectory(cds, color_by = "Cluster") dev.off() #细胞轨迹差异分析 groups=subset(pData(cds),select='State') pbmc=AddMetaData(object=pbmc, metadata=groups, col.name="group") geneList=list() for(i in levels(factor(groups$State))){ pbmc.markers=FindMarkers(pbmc, ident.1 = i, group.by = 'group') sig.markers=pbmc.markers[(abs(as.numeric(as.vector(pbmc.markers$avg_log2FC)))>logFCfilter & as.numeric(as.vector(pbmc.markers$p_val_adj))<adjPvalFilter),] sig.markers=cbind(Gene=row.names(sig.markers), sig.markers) write.table(sig.markers,file=paste0("05.monocleDiff.", i, ".txt"),sep="\t",row.names=F,quote=F) geneList[[i]]=row.names(sig.markers) } #保存交集基因 unionGenes=Reduce(union,geneList) write.table(file="05.monocleDiff.union.txt",unionGenes,sep="\t",quote=F,col.names=F,row.names=F)
06-28
同时，引用[4]中提到了细胞周期的影响，我们可以选择是否移除细胞周期基因，这里根据需求决定。我们假设数据已经预处理成矩阵（行为基因，列为细胞）并存储在变量中。这里以10X Genomics数据为例，通常包括三个文件...
现有pbmc，有一自定义基因集gene_data，需要比较各个基因与该基因集的相关性，从而绘制单细胞测序富集分析的排序曲线，R代码
最新发布
07-20
以下步骤将展示如何计算PBMC单细胞数据中自定义基因集（gene_data）的富集得分（AUC值），并绘制排序曲线。 ### 步骤概述 1. 加载必要的R包 2. 导入单细胞数据（假设为Seurat对象） 3. 提取表达矩阵 4. 构建基因...
【实验技术笔记】细胞表型检测之细胞周期（PI 染色）
abdslfwoeugp
06-23 1万+
细胞表型检测之细胞周期（PI 染色）
单细胞转录组数据分析之细胞周期分析
binggzheng的博客
10-23 1213
#单细胞数据分析 #细胞周期分析
干货分享 | 如何使用单细胞标记的marker基因数据库Cell Marker2.0?
Igenebook的博客
02-26 2580
本文主要介绍了单细胞标记的marker基因数据库 Cell Marker2.0，包括其优势、使用方法、在线分析工具及数据下载功能等具体使用指南，希望可以为您的单细胞研究提供有力支持。
分析方法，单细胞测序之细胞互作
leroylee7的博客
10-28 3427
今年张泽民团队与其合作团队在Cell发表的一篇文章将细胞交互运用自如【1】，该研究手段值得借鉴。肿瘤微环境由很多细胞类型组成，每一种细胞类型的异质性，如肿瘤细胞的不同克隆或免疫细胞的不同亚群，进一步增加了肿瘤微环境的复杂性。不同细胞类型的通讯广泛参与肿瘤的发生与发展、免疫浸润、免疫逃逸、炎性等多种生物学机制。该文章构建了细胞-细胞交互网络，定义了调控肿瘤生成与抗肿瘤免疫的关键细胞群体，发现特异的肿瘤相关巨噬细胞与树突状细胞群体是细胞交互网络中的hub节点（网络枢纽，连接不同的细胞群体）。推荐这篇文章的主要原
全网最详细单细胞保姆级分析教程(一) ---pbmc
ZxVSaccount的博客
07-12 6069
通过观察热图，可以了解不同细胞在主成分上的分布情况，以及主成分与细胞特征之间的关系。数据归一化是数据分析中的常见步骤，旨在消除数据集中不同特征之间的量纲差异，并使它们在相同的尺度上进行比较。函数会根据指定的主成分维度计算数据点之间的距离，并找到每个数据点的邻居。函数会根据数据点之间的相似性将其分组到不同的聚类中。数据缩放是数据分析中的常见步骤，旨在将数据的特征值调整到相似的范围，以避免某些特征对分析结果的过度影响。通过可视化维度载荷，可以了解哪些特征对主成分的形成起到了重要作用，以及不同特征之间的相关性。
细胞周期预测 | 单细胞转录组(scRNA-seq)分析 03
Baimoc
06-29 7546
文章目录一、介绍二、预处理三、获取细胞周期分数四、在数据缩放期间回归出细胞周期得分五、备用工作流程 一、介绍 前置知识：原创 Seurat 包图文详解 | 单细胞转录组(scRNA-seq)分析02 使用Seurat包来运行，主要实现两个功能： 通过marker基因计算细胞周期评分 基于评分在预处理过程中，减轻单细胞转录组数据中细胞周期异质性影响 二、预处理 数据来自：http://www.bloodjournal.org/content/early/2016/06/30/blood-2016-05-7
Celaref | 单细胞测序细胞类型注释工具
悟道西方
03-20 6413
我导再也不用担心我不认识marker啦 我们在进行单细胞测序的时候，通常情况下是通过高变genes来辨别细胞类型（于是一大堆不认识的），除了免疫细胞可能容易分析出来，其他的细胞我是两眼一抹黑。虽然具有single cell marker基因库，但在判断细胞亚型的时候有时并不是那么solid，有一些原则上比较特异的gene不知道为什么在cell marker上出现在不同的细胞上，比如S100A8,S...
这个工具可以组合参数画出2种单细胞Marker显示图
悟道西方
11-30 638
今天有好友在微信群问起是不是 生信宝典之前出过一个绘制这个图的教程？想了下，免费在线绘图平台ImageGP应该可以绘制！每次如果不提免费总有人问是否收费？测试了下，效果如下，跟上面的不...
细胞注释之marker列表
weixin_53637133的博客
05-07 2892
细胞注释之marker列表
单细胞免疫细胞基因marker
qq_40966210的博客
10-30 1万+
T.cell.marker = c("CD3D",'CD3E','CD2') Fib.cell.marker = c('COL1A1','DCN','C1R') Myeioid.cell.marker = c('LYZ','CD68','TYROBP') B.cell.marker= c('CD79A','MZB1','MS4A1') Endothelial.cell.marker= c('CLDN5','FLT1','RAMP2') Mast.cell.marker= c('CPA3','TPSAB1'.
评论
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