其他
单细胞| Celltalker搭建细胞互作通讯桥梁
简介
单细胞分析之细胞间通讯分析能够帮助我们解读细胞与细胞之间的相互作用。目前单细胞通讯分析的工具有很多，小编在这里主要介绍 celltalker。celltalker根据 ligand 和receptor 的表达，细胞 cluster 以及样本分组来评估cell-cell communication。
读入单细胞数据
sce.ob <- readRDS("F:/single_seruat.Rds")
DimPlot(sce, group.by = "cellType")
# 设置分组
sce.ob$sample[grep("^pbmc[0-9]", sce.ob$sample)] <- "HNC_PBMC"
sce.ob$sample[grep("^TIL[0-9]", sce.ob$sample)] <- "HNC_TIL"
ramilowski_pairs %>% head
ligand receptor pair
1 A2M LRP1 A2M_LRP1
2 AANAT MTNR1A AANAT_MTNR1A
3 AANAT MTNR1B AANAT_MTNR1B
4 ACE AGTR2 ACE_AGTR2
5 ACE BDKRB2 ACE_BDKRB2
6 ADAM10 AXL ADAM10_AXL
# 提取表达的配体和受体
ligs <- as.character(unique(ramilowski_pairs$ligand))
recs <- as.character(unique(ramilowski_pairs$receptor))
ligs.present <- rownames(sce.ob)[rownames(sce.ob) %in% ligs]
recs.present <- rownames(sce.ob)[rownames(sce.ob) %in% recs]
genes.to.use <- union(ligs.present,recs.present)
（向左查看更多）
分组间差异分析，得到差异的配体受体
Idents(sce.ob) <- "sample"
markers <- FindAllMarkers(sce.ob, assay="RNA", features=genes.to.use, only.pos=TRUE)
ligs.recs.use <- unique(markers$gene)
##保留差异表达的配体-受体列表
interactions.forward1 <- ramilowski_pairs[as.character(ramilowski_pairs$ligand) %in% ligs.recs.use,]
interactions.forward2 <- ramilowski_pairs[as.character(ramilowski_pairs$receptor) %in% ligs.recs.use,]
interact.for <- rbind(interactions.forward1,interactions.forward2)
dim(interact.for)
[1] 758 3
准备celltalker的输入文件
expr.mat 基因表达数据
defined.clusters 细胞亚群信息
defined.groups样本分组信息，例如：HSC_PBMC，HSC_TIL
defined.replicates 样本信息，例如：pbmc1，pbmc2，pbmc3，TIL1，TIL2，TIL3
##准备celltalker的输入文件
expr.mat <- GetAssayData(sce.ob, slot="counts")
rownames(expr.mat)<-rownames(expr.mat)
defined.clusters <- sce.ob@meta.data$cellType
names(defined.clusters)<-colnames(sce.ob)
defined.groups <- sce.ob@meta.data$sample
names(defined.groups)<-colnames(sce.ob)
defined.replicates <- sce.ob@meta.data$orig.ident
names(defined.replicates)<-colnames(sce.ob)
（向左查看更多）
##重构数据，为每个样本分配相应的表达矩阵
reshaped.matrices <- reshape_matrices(count.matrix = expr.mat,
clusters = defined.clusters,
groups = defined.groups,
replicates = defined.replicates,
ligands.and.receptors = interact.for)
reshaped.matrices
# A tibble: 2 x 2
group samples
<chr> <list>
1 HNC_PBMC <tibble [3 x 2]>
2 HNC_TIL <tibble [3 x 2]>
unnest(reshaped.matrices,cols="samples")
# A tibble: 6 x 3
group sample expr.matrices
<chr> <chr> <list>
1 HNC_PBMC pbmc1 <named list [4]>
2 HNC_PBMC pbmc2 <named list [4]>
3 HNC_PBMC pbmc3 <named list [4]>
4 HNC_TIL TIL1 <named list [4]>
5 HNC_TIL TIL2 <named list [4]>
6 HNC_TIL TIL3 <named list [4]>
names(pull(unnest(reshaped.matrices,cols="samples"))[[1]])
[1] "B cells" "Monocytes" "NK cells" "T cells, CD4+"
create_lig_rec_tib()为每个分组创建一致的配体-受体表达
consistent.lig.recs <- create_lig_rec_tib(exp.tib = reshaped.matrices,
clusters = defined.clusters,
groups = defined.groups,
replicates = defined.replicates,
cells.reqd = 10,
freq.pos.reqd = 0.5,
ligands.and.receptors = interact.for)
consistent.lig.recs
# A tibble: 2 x 2
group lig.rec.exp
<chr> <list>
1 HNC_PBMC <tibble [4 x 2]>
2 HNC_TIL <tibble [4 x 2]>
unnest(consistent.lig.recs[1,2], cols = "lig.rec.exp")
# A tibble: 4 x 2
cluster.id ligands.and.receptors
<chr> <named list>
1 B cells <named list [2]>
2 Monocytes <named list [2]>
3 NK cells <named list [2]>
4 T cells, CD4+ <named list [2]>
putative_interactions（）在给定的分组的cluster之间推断表达的ligand-receptor之间的相互作用
put.int <- putative_interactions(ligand.receptor.tibble = consistent.lig.recs,
clusters = defined.clusters,
groups = defined.groups,
freq.group.in.cluster = 0.05,
ligands.and.receptors = interact.for)
put.int
# A tibble: 2 x 2
group lig_rec_list
<chr> <list>
1 HNC_PBMC <named list [793]>
2 HNC_TIL <named list [824]>
识别唯一的interactions
#Identify unique ligand/receptor interactions present in each sample
unique.ints <- unique_interactions(put.int, group1 = "HNC_PBMC", group2 = "HNC_TIL", interact.for)
unique.ints
# A tibble: 3 x 2
comparison ligands.and.receptors
<chr> <list>
1 unique1v2 <chr [8]>
2 unique2v1 <chr [122]>
3 common <chr [282]>
circos_plot()可视化展示
#Get data to plot circos for HNC_PBMC
pbmc.to.plot <- pull(unique.ints[1,2])[[1]]
for.circos.pbmc <- pull(put.int[1,2])[[1]][pbmc.to.plot]
circos_plot(interactions = for.circos.pbmc, clusters = defined.clusters)
#Get data to plot circos for HNC_TIL
tonsil.to.plot <- pull(unique.ints[2,2])[[1]]
for.circos.tonsil <- pull(put.int[2,2])[[1]][tonsil.to.plot]
circos_plot(interactions=for.circos.tonsil,clusters=defined.clusters)
Celltalker搭建细胞互作通讯桥梁，为细胞互作研究提供了基础和方法，基于基因表达数据和配体-受体数据库信息可以评估细胞之间的交流。小编今天为你简答介绍单细胞数据分析之Celltalker应用，后期会为大家呈现更多的单细胞系列课程学习，欢迎大家来电咨询，一起学习更多关于单细胞数据处理方法和高阶分析内容。
文：peach
排版：市场部
参考资料：
https://arc85.github.io/celltalker/articles/celltalker.html#clustering-data-with-seurat
http://blog.sciencenet.cn/blog-118204-1220235.html
往期阅读
SPOTlight助力单细胞和空间转录组联合分析
空间转录组数据可视化介绍--loupe browser
科普|10x单细胞转录组基本分析内容
百迈客生物基于高通量测序技术、生物信息分析技术和生物云计算技术，为广大科研工作者提供以综合技术服务、生物云分析、三代高通量测序以及试剂、仪器等科研周边业务。
公司拥有Nanopore、PacBio、Illumina、Waters、10XGenomics等主流服务平台，以及基于云架构的生物云计算平台—百迈客云，提供涵盖人重外显子、三维基因组、单细胞与空间转录组、基因组组装、转录调控、微生物、群体遗传、质谱及表观遗传等研究方向的技术服务。目前百迈客云平台拥有200多款基因分析工具，分析结果可直接用于文章发表，更有近百部科研相关视频和8大基因数据库助力科研工作者深度数据挖掘。
自公司成立起先后在《Cell》、《Nature》、《Nature Genetics》、《Nature Communications》、《Plant Cell》等学术刊物发表论文数千篇，拥有国家发明专利技术40余项，软件著作权近200余项。
我们一直秉承”生物科技创新，服务社会，造福人民”的企业使命，致力于打造“生物科技创新中心”的发展愿景，让生物科技更快，更好的提高人类生活质量。