之前先容过 scRNA分析|使用AddModuleScore 和 AUcell进行基因集打分小泽圆电影下载，然后可视化成见基因集聚的打分 ，这里先容scMetabolism包-整合了多个不错完成细胞代谢有关通路评估圭表的R包。

一 载入R包，数据

领先凭据官网GitHub - wu-yc/scMetabolism: Quantifying metabolism activity at the single-cell resolution的先容装配有关的R包，需要谛视的是VISION要装配v2.1.0版块。

然后使用之前谛视过的sce.anno.RData数据 ，为大肆资源，每种细胞类型随即抽取30%的数据。

install.packages(c("devtools"， "data.table"， "wesanderson"， "Seurat"， "devtools"，                    "AUCell"， "GSEABase"， "GSVA"， "ggplot2"，"rsvd"))#Please note that the version would be v2.1.0devtools::install_github("YosefLab/VISION@v2.1.0") devtools::install_github("wu-yc/scMetabolism")# 加载R包library(scMetabolism)library(tidyverse)library(rsvd)library(Seurat)library(pheatmap)library(ComplexHeatmap)library(ggsci)# 加载数据load("sce.anno.RData")sce2@meta.data$CB <- rownames(sce2@meta.data)# 按照细胞类型抽取一定比例的数据sample_CB <- sce2@meta.data %>%   group_by(celltype) %>%   sample_frac(0.3)# 索求数据sce3 <- subset(sce2，CB %in% sample_CB$CB) head(sce3，2)

情欲超市txt

图片

二 野心代谢得分

该包比拟简单，主函数不错选拔sc.metabolism.Seurat 输入Seurat的单细胞对象（保举），也不错选拔 sc.metabolism 输入矩阵（作家不太提议）。

Idents(sce3) <- "celltype"countexp.Seurat <- sc.metabolism.Seurat(obj = sce3，  #Seuratde单细胞object                                      method = "AUCell"，                                       imputation = F，                                       ncores = 2，                                       metabolism.type = "KEGG")

其中obj是一个包含 UMI 计数矩阵的 Seurat 对象，铭刻指定Idents 。

method提拔VISION、AUCell、ssgsea和gsva四种，默许的是VISION 圭表。

metabolism.type提拔KEGG和REACTOME，辩认对应不同的代谢有关通路。

1，稽察函数

不错用过View(sc.metabolism.Seurat) 稽察函数的主体，结构仍是比拟袒露的，（1）预设了KEGG和REACTOME中代谢有关通路，（2）凭据VISION、AUCell、ssgsea和gsva 四种常见圭表野心代谢通路有关的得分。

图片

注：gmt不错改为你课题需要的通路，然后放到signatures_KEGG_metab输出的旅途下。

也不错如 scRNA分析|使用AddModuleScore 和 AUcell进行基因集打分使用有关圭表的函数径直野心 。

signatures_KEGG_metab <- system.file("data"， "KEGG_metabolism_nc.gmt"，                                       package = "scMetabolism")signatures_KEGG_metab#[1] "C:/Users/XXX/AppData/Local/R/win-library/4.3/scMetabolism/data/KEGG_metabolism_nc.gmt"

2，索求效果-添加至meta信息

代谢评分的效果存放在新的assays -- METABOLISM中 小泽圆电影下载，不错通过如下方式取得每个基因的代谢通路的活性分数。

如截图所示细胞barcode的"-1"变为了".1"，通过str_replace_all简单惩处后添加至meta中，以备后头可能的有关分析。

图片

#索求score效果score <- countexp.Seurat@assays$METABOLISM$scorescore[1:4，1:4]#将score中barcode的点转为下划线score_change <- score %>%   select_all(~str_replace_all(.， "\\."， "-"))  #基因ID不表率会报错，下划线替换-#细目细胞barcode椅子identical(colnames(score_change) ， rownames(countexp.Seurat@meta.data))#[1] TRUEcountexp.Seurat@meta.data <- cbind(countexp.Seurat@meta.data，t(score_change) )#不错径直使用Seurat的有关函数p1 <- FeaturePlot(countexp.Seurat，features = "Glycolysis / Gluconeogenesis")p2 <- VlnPlot(countexp.Seurat，features = "Glycolysis / Gluconeogenesis")p1 + p2

图片

三 可视化

不错使用scMetabolism自带的函数完成一些可视化展示。

1，umap展示某条通路的代谢得分

DimPlot.metabolism(obj = countexp.Seurat，                    pathway = "Glycolysis / Gluconeogenesis"，                    dimention.reduction.type = "umap"，                    dimention.reduction.run = F， size = 1)

图片

2，指定通路-细胞类型点图

不错选拔径直指定成见通路 梗概 展示前几个，谛视将phenotype 参数改为需要展示的列。

#径直指定input.pathway<-c("Glycolysis / Gluconeogenesis"，                  "Oxidative phosphorylation"，                  "Citrate cycle (TCA cycle)")#展示前10个input.pathway <- rownames(countexp.Seurat@assays$METABOLISM$score)[1:10]DotPlot.metabolism(obj = countexp.Seurat，                    pathway = input.pathway，                    phenotype = "celltype"，  #编削phenotype 参数                   norm = "y")

图片

3，指定通路-箱线图

不错使用ggsci 包修改一下形状

BoxPlot.metabolism(obj = countexp.Seurat，                    pathway = input.pathway[1:4]，                    phenotype = "celltype"，                    ncol = 2) +  scale_fill_nejm()

图片

4，自界说热图

领先野心每种细胞类型的有关代谢通路得分的均值，然后不错使用pheatmap 径直绘制热图，梗概参照scRNA｜ComplexHeatmap自界说单细胞转录组celltype-level 热图可视化绘制复杂热图

#不错野心celltype均值，然后绘制df <- countexp.Seurat@meta.data#19列开动是代谢通路的得分，按照celltype野心均值avg_df = aggregate(df[，19:ncol(df)]，                   list(df$celltype)，                   mean)#热图需要转为矩阵avg_df <- avg_df %>%   select(1:20) %>% #展示前20个  column_to_rownames("Group.1") avg_df[1:4，1:4]

图片

也不错手动选拔想展示的代谢通路。

（1）径直pheatmap绘制

pheatmap(t(avg_df)，          show_colnames = T，         scale='row'，          cluster_rows = T，         color=colorRampPalette(c('#1A5592'，'white'，"#B83D3D"))(100)，         cluster_cols = T)

（2）组合复杂热图

手脚复杂热图的一个组件。为使图形更排场，咱们先手动对数据进行模范化。

exp <- apply(avg_df， 2， scale)rownames(exp) <- rownames(avg_df)# 组件h_state <- Heatmap(t(exp)，                   column_title = "state_gsva"，                   col = colorRampPalette(c('#1A5592'，'white'，"#B83D3D"))(100)，                   name= "gsva "，                   show_row_names = TRUE，                   show_column_names = TRUE)h_state

图片

然后不错scRNA｜ComplexHeatmap自界说单细胞转录组celltype-level 热图可视化添加更多的信息组合绘制底下的图 。

图片

参考费力：

GitHub - wu-yc/scMetabolism: Quantifying metabolism activity at the single-cell resolution

◆ ◆ ◆  ◆ ◆

全心整理（含图PLUS版）|R言语生信分析，可视化（R统计，ggplot2画图，生信图形可视化汇总）

RNAseq纯生信挖掘想路共享？不小泽圆电影下载，主若是送你代码！（提议储藏）

合计对您有点匡助的但愿不错点赞，在看，转发！ 本站仅提供存储就业，扫数骨子均由用户发布，如发现存害或侵权骨子，请点击举报。