生信学习之monocle的安装与对单细胞数据的质控

2024-02-22

今天小果带大家一起来认识单细胞测序的另一个常用工具Monocle，那就和我一起往下学习吧！~~

什么是Monocle？

在学习一个工具之前，我们首先要大概了解这个工具的基本来源和用途哦，这是每一个生信人都要养成的良好习惯！那就和小果一起来看看到底什么是Monocle吧！

其实，Monocle包可以根据每个细胞在学习轨迹上的进展对其进行排序，这一功能我们可以联想一些排序算法、排序工具等等哦。但是！要注意的是Monocle不是跟踪表达式随时间变化的函数，而是跟踪沿轨迹变化的函数，这样的变化表面看起来和时间变化有关却又不是时间，我们也就称之为伪时间，小果这样讲是不是就通俗易懂hen多了呢？

Monocle有几大功能模块？

众所周知，Monocle包也是单细胞测序中常用到的包之一。

那么Monocle可以帮助我们进行哪些方面的单细胞分析呢？和小果一起来看看吧！

1.聚类，分类，细胞计数。

2.细胞的差异表达分析。

3.构建单细胞轨迹。即在细胞发育、疾病以及整个生命过程里，细胞从一个状态转成另一个状态。

接下来，让小果带你学习如何安装Monocle包以及如何简单地使用Monocle包来对单细胞数据进行质控吧！！

Monocle包的安装

monocle包的安装有好几种方式，接下来是小果整理的三种安装monocle包的方法，快来和小编一起学习吧！~

通过Bioconducor安装

if (!requireNamespace(“BiocManager”, quietly = TRUE))
install.packages(“BiocManager”)
#下载monocle依赖的其它包
BiocManager::install(c(‘BiocGenerics’, ‘DelayedArray’, ‘DelayedMatrixStats’,
‘limma’, ‘lme4’, ‘S4Vectors’, ‘SingleCellExperiment’,
‘SummarizedExperiment’, ‘batchelor’, ‘HDF5Array’,
‘terra’, ‘ggrastr’))
BiocManager::install(“monocle”)

dyno安装

# install.packages(“devtools”)
devtools::install_github(“dynverse/dyno”)

官网安装

source(“http://bioconductor.org/biocLite.R”)
biocLite()
biocLite(“monocle”)

以上三种方法，小果最推荐的还是第一种，小果在下载的时候用的也是第一种方法哦~快速简单且高效，同学们根据自身情况自行参考哈！~

Monocle对单细胞数据进行质控

安装成功后，我们和小果一起来看一下这个包的简单使用方法吧！

step1：准备需要的R包

对于我们本次学习要用的数据从哪里来呢？不要急！小果给大家准备了两个R包来帮助我们进行后续的工作！让我们一起来看一下！

本次质控分析我们使用scRNAseq中的数据作为基础数据，并用来构建后续的数据矩阵，所以也需要我们提前下载好scRNAseq数据包哦！

library(monocle)
library(scRNAseq)
library(dplyr)

step2：准备数据

小果这次使用的是scRNAseq里面的示例数据fluidigm哦，同学们自行选择哦！！。

虽然这个示例数据本身是一个数据对象，但我们还需从中提取出后续质控所需要的部分，再组成新的对象。简单来说，就是我们需要对数据进行“二次包装”，转为我们需要的数据格式哦~

fluidigm = ReprocessedFluidigmData()

图片包含背景图案

描述已自动生成提示信息如下：

assay(fluidigm) <- assays(fluidigm)$rsem_counts
ct <- floor(assays(fluidigm)$rsem_counts)

表格

描述已自动生成

dim(ct)

徽标

中度可信度描述已自动生成

我们可以看到，在我们创建的数据中有130个细胞，26255个基因哦。

step3：构建数据对象

gene_ann <- data.frame(
gene_short_name = row.names(ct),
row.names = row.names(ct)
)

pd <- new(“AnnotatedDataFrame”,
data=sample_ann)
fd <- new(“AnnotatedDataFrame”,
data=gene_ann)

cds <- newCellDataSet(
ct,
phenoData = pd,
featureData =fd,
expressionFamily = negbinomial.size(),
lowerDetectionLimit=1)
class(cds)

文本

描述已自动生成