monocle 2拟时序分析
- 2020 年 4 月 1 日
- 笔记
monocle做拟时序分析首先要构建CDS需要3个矩阵：expr.matrix、pd、fd，其次将Seurat中的对象转换为monocle识别的对象。然后选择想要做拟时序依据的基因就可以了,如果已知开始和结束的细胞，将过程开始时收集的细胞与结束时收集的细胞简单地进行比较，并找到差异表达的基因，做拟时序依据的基因，根据时间点的差异分析选择基因通常非常有效，但是如果我们没有时间序列数据，可以选择离散度和表达量高的基因。
library(monocle) packageVersion("monocle") #monocle构建CDS需要3个矩阵：expr.matrix、pd、fd # 将Seurat中的对象转换为monocle识别的对象 #cds <- importCDS(GetAssayData(seurat.object)) #选择做拟时序的亚群 Mono_tj<-subset(seurat.object, idents = c(1,2,4,6,7)) Mono_matrix<-as(as.matrix(GetAssayData(Mono_tj,slot = "counts")), 'sparseMatrix') #构建featuredata，一般featuredata需要两个col，一个是gene_id,一个是gene_short_name,row对应counts的rownames feature_ann<-data.frame(gene_id=rownames(Mono_matrix),gene_short_name=rownames(Mono_matrix)) rownames(feature_ann)<-rownames(Mono_matrix) # Mono_fd<-new("AnnotatedDataFrame", data = feature_ann) # #Seurat object中的@meta.data一般会存放表型相关的信息如cluster、sample的来源、group等，所以选择将metadata转换为phenodata sample_ann<[email protected] #rownames(sample_ann)<-colnames(Mono_matrix) Mono_pd<-new("AnnotatedDataFrame", data =sample_ann) #build new cell data set Mono.cds<-newCellDataSet(Mono_matrix,phenoData =Mono_pd,featureData =Mono_fd,expressionFamily=negbinomial.size()) #查看phenodata、featuredata head(pData(Mono.cds)) head(fData(Mono.cds)) #预处理 Mono.cds <- estimateSizeFactors(Mono.cds) Mono.cds <- estimateDispersions(Mono.cds) #筛选基因,这里可以根据自己的需要筛选特定的基因 disp_table <- dispersionTable(Mono.cds) unsup_clustering_genes <- subset(disp_table, mean_expression >= 0.1) Mono.cds <- setOrderingFilter(Mono.cds, unsup_clustering_genes$gene_id) #用DDRtree 进行降维分析 Mono.cds <- reduceDimension( Mono.cds, max_components = 2, method = 'DDRTree') #计算psudotime值 Mono.cds <- orderCells(Mono.cds) head(pData(Mono.cds)) plot_cell_trajectory(Mono.cds,cell_size = 1)
image.png
plot_cell_trajectory(Mono.cds, color_by = "Pseudotime")
image.png
plot_cell_trajectory(Mono.cds, color_by = "seurat_clusters",cell_size = 1)
image.png
欢迎关注~
参考：http://cole-trapnell-lab.github.io/monocle-release/docs/
