文章复现子宫腺肌病在位内膜和异位病灶的单细胞转录组分析

最新推荐文章于 2026-01-07 11:59:55 发布

原创

最新推荐文章于 2026-01-07 11:59:55 发布 · 1.4k 阅读

18 ·

CC 4.0 BY-SA版权

本文通过scRNA-seq分析了腺肌症腺体内膜（AM_ECTO）和正常内膜（AM_ECTO）的基因表达模式，揭示了AM潜在发病机制，包括关键基因的差异表达、细胞群的异质性以及EM中内皮细胞的特性。研究还涉及了GO和KEGG通路分析，以及CNV和细胞通讯网络的探讨。

Single‑cell transcriptomic analysis of eutopic endometrium and ectopic lesions of adenomyosis

发表杂志：Cell & Bioscience（IF=5.026）

目标：利用scRNA-seq鉴定了AM中在位内膜（Eutopic endometrium，EC）和异位病灶（Ectopic lesions，EM）的基因表达模式，并探索了AM的潜在发病机制

1、上游处理

1.1 下载病例fastq数据

存放地址：~/AM/AM_EM
~/AM/AM_EC
~/AM/AM_CTRL

共3例样本：
病例组：46岁，女性，AM患者，分别取其在位子宫内膜（AM_EM）-SRR12791872和异位病灶（AM_EC）SRR12791871样本各1例
对照组：50岁，女性，子宫肌瘤患者，排除子宫内膜异位症和AM，取在位内膜1例（AM_CTRL）SRR12791873

1.2 定量

所用软件 cellranger v3.0.0
cellranger原理：
cellranger是10X genomics公司为单细胞RNA测序分析量身打造的数据分析软件，可以直接输入Illumina 原始数据（raw base call ，BCL)输出表达定量矩阵、降维（pca），聚类（Graph-based& K-Means）以及可视化（t-SNE）结果，结合配套的Loupe Cell Browser给予研究者更多探索单细胞数据的机会。cellranger的高度集成化，使得单细胞测序数据探索变得更加简单，研究者有更多的时间来做生物学意义的挖掘

1、去官网注册后，点右下角选择以前的版本，得到v3.0.0的下载代码
存放地址 ~/AM

curl -o cellranger-3.0.2.tar.gz "https://cf.10xgenomics.com/releases/cell-exp/cellranger-3.0.2.tar.gz?Expires=1620759081&Policy=eyJTdGF0ZW1lbnQiOlt7IlJlc291cmNlIjoiaHR0cHM6Ly9jZi4xMHhnZW5vbWljcy5jb20vcmVsZWFzZXMvY2VsbC1leHAvY2VsbHJhbmdlci0zLjAuMi50YXIuZ3oiLCJDb25kaXRpb24iOnsiRGF0ZUxlc3NUaGFuIjp7IkFXUzpFcG9jaFRpbWUiOjE2MjA3NTkwODF9fX1dfQ__&Signature=fLmJsmKcHxmq2mIz-MgoVoJojnFe1LmZDYEqH9h7H2L2d0~IJUiVhntEIJDsJKv~EfeG14vFcUhVkJcF~UTDmfAMoPlbmvHWPsPPCZledVr0nlum49GoBJ64LGttViW0aFqS7w4Xw0vMMh-jT6HYDCQ4cYxV9UB3Hrs0mV-HXpX7PdkWPiGzzZ4ea9ntXzzdGwnGXHZXWtAEwSUCOaVnfIwBi03vdUv4SNNt7QcgBHK~OCPfKh73cPoc9PJvB9KoOND9kDHb3Ef91VaB4SAGBp-DIC2AuIW4skuv3MV9sIq8vG67ZPNJidwYu61FNe3~-L6TP9FfUqRnNVLlGgbUJA__&Key-Pair-Id=APKAI7S6A5RYOXBWRPDA"

2、解压

tar -xzvf cellranger-3.0.0.tar.gz

3、添加至环境变量

export PATH="/public/workspace/stu18230129/anaconda3/bin:$PATH"
source ~/.bashrc

4、测试能否使用
在这里插入图片描述

1.2 cellranger count

1、按照cellranger count要求的名称给样本改名，S1前是可识别的样本名

#命名很重要！！！！！！这里的mv是重命名
cd ~/AM/data
mv SRR12791871_1.fastq.gz AM_EC_S1_L0001_R1_001.fastq.gz
mv SRR12791871_2.fastq.gz AM_EC_S1_L0001_R2_001.fastq.gz
mv SRR12791872_1.fastq.gz AM_EM_S1_L0001_R1_001.fastq.gz
mv SRR12791872_2.fastq.gz AM_EM_S1_L0001_R2_001.fastq.gz
mv SRR12791873_1.fastq.gz AM_CRTL_S1_L0001_R1_001.fastq.gz
mv SRR12791873_2.fastq.gz AM_CRTL_S1_L0001_R2_001.fastq.gz
##放入不同的文件夹，这里的mv是移动文件,就写一个样本，其余两个相同操作
cd ~/AM
mkdir AM_EC
mv AM_EC_S1_L0001_R1_001.fastq.gz AM_EC
mv AM_EC_S1_L0001_R2_001.fastq.gz AM_EC

2、查询cellranger count --help
在这里插入图片描述
id:对你运行的项目起个名字，可以任意取名（输出结果在建文件夹时以这个名字命名）
fastqs:包含fastq文件的路径
sample：如果上述路径中包含的文件不只一个样本的，则需要指定该参数，该参数是根据fastq文件名的前缀对文件进行识别的，可以用来区分不同的样本
transcriptome：用来保存参考基因组的路径

cd ~/AM
cellranger count --id=AM_EC_count --fastqs=./AM_EC --sample=AM_EC --transcriptome=/public/workspace/lincs/cellranger/ref/refdata-gex-GRCh38-2020-A 

cellranger count --id=AM_EM_count --fastqs=./AM_EM --sample=AM_EM --transcriptome=/public/workspace/lincs/cellranger/ref/refdata-gex-GRCh38-2020-A

cellranger count --id=run_count_CRTL --fastqs=../../data/ --sample=AM_CRTL --transcriptome=/public/workspace/lincs/cellranger/ref/refdata-gex-GRCh38-2020-A

在这里插入图片描述

1.3 cellranger aggr

用cellranger aggr合并三个样本，但由于占用学校服务器内存太多，所以**只使用一个病例组（AM_EM）和一个对照组（AM_CTRL）**进行下面的分析。
占用内存过多

cellranger aggr --id=Tumor --csv=Tumor_libraries.csv --normalize=mapped
cat Tumor_libraries.csv

在这里插入图片描述

2、Seurat整合分析

scRNA-seq揭示AM在位内膜和异位内膜的细胞异质性

主要是展现细胞分群和marker基因可视化

2.1 创建Seurat对象

library(Seurat)
library(tidyverse)
library(Matrix)
##Read10x
seurat_data <- Read10X("/public/workspace/stu18230129/AM/Tumor/outs/count/filtered_feature_bc_matrix")
sa

2.2 质控和过滤

# The [[ operator can add columns to object metadata. This is a great place to stash QC stats
seurat_obj[["percent.mt"]] <- PercentageFeatureSet(seurat_obj, pattern = "^MT-")
##1、根据nUMI和nGene的分布特征，保留mean ± 2*SD范围内的细胞；
##2、去除线粒体基因比例>25%的细胞；
seurat_obj <- subset(seurat_obj, subset = nFeature_RNA > 200 & nFeature_RNA < 2500 & percent.mt < 25)
##nFeature_RNA代表每个细胞测到的基因数目，nCount代表每个细胞测到所有基因的表达量之和，percent.mt代表测到的线粒体基因的比例。

过滤前后对比，细胞数从27593过滤到了21615

过滤后

3、使用Scrublet鉴定潜在的doublets，设定估计的doublet rate为10%

2.3 归一化：LogNormalize

seurat_obj <- NormalizeData(seurat_obj, normalization.method =

最低0.47元/天解锁文章