Seurat官方教程|CITE-seq, RNA + ADT的WNN分析

发布网友发布时间：2024-02-24 00:25

共1个回答

热心网友时间：2024-03-19 12:32

原文链接： https://satijalab.org/seurat/articles/weighted_nearest_neighbor_analysis.html

这篇教程主要介绍了多模态单细胞数据的WNN分析工作框架，分为以下三个步骤：

我们将WNN分析应用于两种单细胞多模技术:CITE-seq和10x multiome。我们基于两种形态来定义细胞状态，而不是基于任何一种个体形态。

数据来自： Stuart , Butler et al, Cell 2019 ，来自于骨髓的30,672个单细胞以及配套的25个抗体。这个数据包含两个assays，RNA和antibody-derived tags (ADT)。

数据封装在bmcite包中，最好是晚上的时间段去install这个data，网速会比较快，然后保存。

首先，我们分别对两个assays进行预处理和降维。这里我们使用标准的标准化，当然你也可以使用SCT转换。

基于RNA和蛋白权重加合，我们计算每一个细胞的最近邻居。在另一个功能中，我们计算细胞特异的模块权重和多模态邻居，在这个数据集中大约耗时两分钟。随后定义每一个模块的维度（与单细胞数据分析中的PCs数类似）

我们现在可以使用这些结果进行下游分析了，比如可视化和聚类。比如，我么可以基于RNA和蛋白的权重加合数据来进行UMAP可视化，聚类，细胞注释。

我们也可以分别单独只基于RNA或蛋白的数据进行UMAP然后比较。

我们可以基于多模态的UMAP进行经典基因和蛋白marker的可视化，为细胞注释提供辅助。

最后，我们可以对模态权重（modality weights ）进行可视化。RNA权重最高的群代表祖细胞（progenitor cells），蛋白权重最高的群代表T细胞。这与我们的生物学预期是一致的，因为抗体组不包含可以区分不同祖群体的标记。