monocle 2擬時序分析
- 2020 年 4 月 1 日
- 筆記
monocle做擬時序分析首先要構建CDS需要3個矩陣：expr.matrix、pd、fd，其次將Seurat中的對象轉換為monocle識別的對象。然後選擇想要做擬時序依據的基因就可以了,如果已知開始和結束的細胞，將過程開始時收集的細胞與結束時收集的細胞簡單地進行比較，並找到差異表達的基因，做擬時序依據的基因，根據時間點的差異分析選擇基因通常非常有效，但是如果我們沒有時間序列數據，可以選擇離散度和表達量高的基因。
library(monocle) packageVersion("monocle") #monocle構建CDS需要3個矩陣：expr.matrix、pd、fd # 將Seurat中的對象轉換為monocle識別的對象 #cds <- importCDS(GetAssayData(seurat.object)) #選擇做擬時序的亞群 Mono_tj<-subset(seurat.object, idents = c(1,2,4,6,7)) Mono_matrix<-as(as.matrix(GetAssayData(Mono_tj,slot = "counts")), 'sparseMatrix') #構建featuredata，一般featuredata需要兩個col，一個是gene_id,一個是gene_short_name,row對應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一般會存放表型相關的資訊如cluster、sample的來源、group等，所以選擇將metadata轉換為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)) #預處理 Mono.cds <- estimateSizeFactors(Mono.cds) Mono.cds <- estimateDispersions(Mono.cds) #篩選基因,這裡可以根據自己的需要篩選特定的基因 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 進行降維分析 Mono.cds <- reduceDimension( Mono.cds, max_components = 2, method = 'DDRTree') #計算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
歡迎關注~
參考：http://cole-trapnell-lab.github.io/monocle-release/docs/
