宏重钢结构东莞网站建设网页设计与制作基础代码

宏重钢结构东莞网站建设,网页设计与制作基础代码,哈尔滨建筑网,百度我的订单前言在前面的文章中#xff0c;我们已经分别介绍了 单样本 CellChat 分析 以及 多样本 CellChat 的比较分析思路。然而#xff0c;在真正进入多样本比较时#xff0c;研究者往往会遇到一个不可回避的现实问题#xff1a;CellChat 在进行样本间对比时#xff0c;默认要求各…前言在前面的文章中我们已经分别介绍了单样本 CellChat 分析以及多样本 CellChat 的比较分析思路。然而在真正进入多样本比较时研究者往往会遇到一个不可回避的现实问题CellChat 在进行样本间对比时默认要求各个样本具有完全一致的细胞类型组成。这一前提在理想化的数据中或许成立但在真实的生物学研究中却几乎难以满足。以肿瘤研究为例肿瘤组织中通常富含多种免疫细胞如 CD4⁺ T 细胞、NK 细胞、浆细胞等而在对应的正常组织中这些细胞类型可能完全不存在或仅占极低比例。细胞组成的这种显著差异直接导致两个样本在 CellChat 框架下无法进行直接的细胞通讯比较——并不是因为通讯机制本身不可比而是因为参与通讯的“细胞角色”本身就不一致。如果在这种情况下强行进行比较就如同拿两张结构完全不同的地图进行对照一张多了道路和城市另一张却缺少关键节点最终得到的差异很可能并非真实的生物学变化而只是由结构不一致所引入的分析偏差。正是为了解决这一核心问题CellChat 提供了liftCellChat方法通过先统一不同数据集的细胞类型框架使所有样本在同一套“细胞语言体系”下进行分析从而保证后续观察到的通讯差异真正反映的是生物学状态的变化而不是细胞组成差异带来的技术性假象。一.数据准备基于CellChat v2.20依旧是我们的七例甲状腺肿瘤library(Seurat) library(CellChat) # 读取之前的数据 scRNA - readRDS(D:/datat/新建文件夹/GSE191288_RAW/scRNA.rds) T_sce - readRDS(D:/datat/新建文件夹/GSE191288_RAW/T_sce.rds) B_sce - readRDS(D:/datat/新建文件夹/GSE191288_RAW/B_sce.rds) # 子集注释回写母对象 phe - scRNAmeta.data phe_T - T_scemeta.data # 如有因子先转换为字符 phe$celltype - as.character(phe$celltype) phe_T$celltype.1 - as.character(phe_T$celltype.1) # 找到匹配的行 common_T - intersect(rownames(phe), rownames(phe_T)) # 回写细胞类型 phe[common_T, celltype] - phe_T[common_T, celltype.1] scRNAmeta.data - phe table(phe$orig.ident,phe$celltype) # B Cells CD 4 CD 8 Endothelial Epithelial Cells Fibroblasts Cells Myeloid Cells NK NKT γδ T # NT 12 55 79 1122 909 878 51 58 1 28 # T1L 60 139 111 663 135 1390 67 25 4 30 # T1R 300 637 363 222 66 425 192 22 16 82 # T2L 48 834 570 191 164 406 150 261 20 191 # T2R 559 1005 398 191 31 166 114 100 11 67 # T3L 11 260 160 60 1506 336 269 40 13 29 # T3R 5 175 332 159 3113 188 164 62 6 54 ## NT为癌旁组织其余为甲状腺组织临床分型为PTC ## 本次流程使用癌旁组织NT和 甲状腺组织T1L这次我们挑选NT癌旁和T2L甲状腺癌做对比NT样本的B细胞12个NKT1个我们可以将NT样本中的B Cells和NKT删除这样NT样本中就只有CD 4 CD 8 Endothelial Epithelial Cells Fibroblasts Cells Myeloid Cells NK γδ T8种细胞类型而T2L则相比较于NT多了两种细胞类型B Cells NKT实际操作提取矩阵和meta## 拆分样本 obj.list - SplitObject(scRNA, split.by orig.ident) ## 删除NT样本中的B Cells 和NKT obj.list[[NT]] - subset( obj.list[[NT]], subset !(celltype %in% c(NKT, B Cells)) ) ## 查看两个样本的细胞类型和数量 table(obj.list[[NT]]$celltype) # # CD 4 CD 8 Endothelial Epithelial Cells Fibroblasts Cells Myeloid Cells NK # 55 79 1122 909 878 51 58 # γδ T # 28 table(obj.list[[T2L]]$celltype) # # B Cells CD 4 CD 8 Endothelial Epithelial Cells Fibroblasts Cells Myeloid Cells # 48 834 570 191 164 406 150 # NK NKT γδ T # 261 20 191 ## 现在NT样本中有8种细胞类型而T2L种则有10种细胞类型注意 T2L中的10中细胞类型必须包含 NT样本中的8种细胞类型 # 根据研究情况进行细胞排序T2L celltype_order - c( CD 4, CD 8, γδ T, NK, NKT, B Cells, Myeloid Cells, Fibroblasts Cells, Epithelial Cells, Endothelial ) ## 细胞的基因表达数据由于每个样本只删除几个细胞所以不需要再做标准化直接提取就可以 data.input_T2L - GetAssayData(obj.list[[T2L]], slot data) # normalized data matrix meta_T2L - obj.list[[T2L]]meta.data[,c(orig.ident,celltype)] # 对 meta 和 data.input 进行排序 identical(rownames(meta_T2L), colnames(data.input_T2L)) meta_T2L$celltype - factor(meta_T2L$celltype ,levels celltype_order) ordered_indices - order(meta_T2L$celltype) meta_T2L - meta_T2L[ordered_indices, ] data.input_T2L - data.input_T2L[, ordered_indices] identical(rownames(meta_T2L),colnames(data.input_T2L)) # 根据研究情况进行细胞排序NT celltype_order - c( CD 4, CD 8, γδ T, NK, Myeloid Cells, Fibroblasts Cells, Epithelial Cells, Endothelial ) data.input_NT - GetAssayData(obj.list[[NT]], slot data) # normalized data matrix ## metadata文件 meta_NT - obj.list[[NT]]meta.data[,c(orig.ident,celltype)] # 对 meta 和 data.input 进行排序 identical(rownames(meta_NT), colnames(data.input_NT)) meta_NT$celltype - factor(meta_NT$celltype ,levels celltype_order) ordered_indices - order(meta_NT$celltype) meta_NT - meta_NT[ordered_indices, ] data.input_NT - data.input_NT[, ordered_indices] identical(rownames(meta_NT),colnames(data.input_NT))创建cellchat# 加载数据库 CellChatDB - CellChatDB.human #人源样本 # 查看数据的分类情况与 # 具体内容showDatabaseCategory(CellChatDB) dplyr::glimpse(CellChatDB$interaction) #筛选数据库只保留“Secreted Signaling” CellChatDB.use - subsetDB(CellChatDB, search Secreted Signaling) ## NT样品 cellchat_NT - createCellChat(object data.input_NT, meta meta_NT, group.by celltype) # 添加细胞信息 cellchat_NT - addMeta(cellchat_NT, meta meta_NT) cellchat_NT - setIdent(cellchat_NT, ident.use celltype) levels(cellchat_NTidents) groupSize_NT - as.numeric(table(cellchat_NTidents)) cellchat_NTDB - CellChatDB.use cellchat_NT - subsetData(cellchat_NT) # 只保留 配体/受体基因的表达矩阵 # 类似于找高变基因 cellchat_NT - identifyOverExpressedGenes(cellchat_NT) cellchat_NT - identifyOverExpressedInteractions(cellchat_NT) cellchat_NT - computeCommunProb(cellchat_NT, type triMean) cellchat_NT - filterCommunication(cellchat_NT, min.cells 10) cellchat_NT - computeCommunProbPathway(cellchat_NT) cellchat_NT - aggregateNet(cellchat_NT) cellchat_NT - netAnalysis_computeCentrality(cellchat_NT, slot.name netP) ## T2L样品 cellchat_T2L - createCellChat(object data.input_T2L, meta meta_T2L, group.by celltype) # 添加细胞信息 cellchat_T2L - addMeta(cellchat_T2L, meta meta_T2L) cellchat_T2L - setIdent(cellchat_T2L, ident.use celltype) levels(cellchat_T2Lidents) groupSize_T2L - as.numeric(table(cellchat_T2Lidents)) cellchat_T2LDB - CellChatDB.use cellchat_T2L - subsetData(cellchat_T2L) # 只保留 配体/受体基因的表达矩阵 # 类似于找高变基因 cellchat_T2L - identifyOverExpressedGenes(cellchat_T2L) cellchat_T2L - identifyOverExpressedInteractions(cellchat_T2L) cellchat_T2L - computeCommunProb(cellchat_T2L, type triMean) cellchat_T2L - filterCommunication(cellchat_T2L, min.cells 10) cellchat_T2L - computeCommunProbPathway(cellchat_T2L) cellchat_T2L - aggregateNet(cellchat_T2L) cellchat_T2L -netAnalysis_computeCentrality(cellchat_T2L, slot.name netP)合并样本重点## 更新为当前版本兼容的对象结构,如果是自己从头跑且期间没有更新过cellchat包则不用跑 ## 如果是加载比别人的数据或者中途更新了包或者R版本则需要updateCellChat()更新数据类型 cellchat_NT - updateCellChat(cellchat_NT) cellchat_T2L - updateCellChat(cellchat_T2L) # 添加细胞类型前 table(cellchat_NTidents) CD 4 CD 8 γδ T NK Myeloid Cells Fibroblasts Cells Epithelial Cells 55 79 28 58 51 878 909 Endothelial 1122 ## 使用liftCellChat()给NT样本添加和N2L一样细胞类型 group.new levels(cellchat_T2Lidents) cellchat_NT - liftCellChat(cellchat_NT, group.new) # 查看添加后细胞数量都是0 table(cellchat_NTidents) CD 4 CD 8 γδ T NK NKT B Cells Myeloid Cells 55 79 28 58 0 0 51 Fibroblasts Cells Epithelial Cells Endothelial 878 909 1122 ## 然后合并样本 object.list - list(NT cellchat_NT, T2L cellchat_T2L) cellchat - mergeCellChat(object.list, add.names names(object.list), cell.prefix TRUE)可视化Circle plot## 查看两个样本有什么通路 lapply(object.list, function(x) xnetP$pathways) $NT [1] MIF CypA VEGF ANNEXIN MK CXCL GALECTIN PTN TNF SPP1 VISFATIN [12] CCL ANGPTL PARs PDGF GRN OSM IFN-II EGF PLAU TGFb GAS [23] ANGPT SEMA3 CX3C EDN IL16 TWEAK CALCR FGF BMP BAG PROS [34] KIT HGF $T2L [1] MIF CypA MK PARs GALECTIN VISFATIN TNF VEGF CCL TGFb [11] CXCL IFN-II ANNEXIN PTN EGF GRN ANGPT OSM GAS ANGPTL [21] LIGHT TWEAK COMPLEMENT PDGF PROS IL16 CD137 CD70 SLIT CX3C [31] BAFF TRAIL FASLG SEMA3 PLAU MHC-I WNT CSF NRG PERIOSTIN [41] APRIL BTLA BAG FGF ## 必须要挑选两个样本都有的代谢通路 pathways.show - c(MIF ) weight.max - getMaxWeight(object.list, slot.name c(netP), attribute pathways.show) # control the edge weights across different datasets par(mfrow c(1,2), xpdTRUE) for (i in 1:length(object.list)) { netVisual_aggregate(object.list[[i]], signaling pathways.show, layout circle, edge.weight.max weight.max[1], edge.width.max 10, signaling.name paste(pathways.show, names(object.list)[i])) }所有细胞类型围成一个圆 边表示MIF 通路下的细胞—细胞通讯 边粗细代表通讯强度特点不区分“谁是信号发送者 / 接收者”强调的是网络是否存在 哪些细胞之间连接更强Hierarchy plotpathways.show - c(MIF) weight.max - getMaxWeight(object.list, slot.name c(netP), attribute pathways.show) ## 指定接受端细胞1-5类型为接收端 vertex.receiver seq(1,5) for (i in 1:length(object.list)) { netVisual_aggregate(object.list[[i]], signaling pathways.show, vertex.receiver vertex.receiver, edge.weight.max weight.max[1], edge.width.max 10, signaling.name paste(pathways.show, names(object.list)[i])) }Chord diagrampathways.show - c(MIF) par(mfrow c(1,2), xpdTRUE) for (i in 1:length(object.list)) { netVisual_aggregate(object.list[[i]], signaling pathways.show, layout chord, signaling.name paste(pathways.show, names(object.list)[i])) }重新指定分组## 跟上一期一样我们把T/NK细胞合并为一组 group.merged - c(rep(T/NK Cells, 5), B Cells, Myeloid Cells, Fibroblasts Cells, Epithelial Cells, Endothelial) names(group.merged) - levels(object.list[[1]]idents) pathways.show - c(MIF) par(mfrow c(1,2), xpdTRUE) for (i in 1:length(object.list)) { netVisual_chord_cell(object.list[[i]], signaling pathways.show, group group.merged, title.name paste0(pathways.show, signaling network - , names(object.list)[i])) }于其他的可视化大家可以参考cellchat的第二篇双多样本对比。那么到这里cellchat的流程内容就是更新完了祝大家科研顺利