ixxmu
commented
3 months ago Closed ixxmu closed 3 months ago
ixxmu
commented
3 months ago ixxmu
commented
3 months ago buk-RNAseq和sc-RNAseq联合分析在许多文章中已经屡见不鲜了，这周介绍两种利用单细胞数据对bulk进行反卷积方法的基本实现
参考：
单细胞工具-使用BisqueRNA对Bulk RNA-seq数据解卷积
这里沿用BayesPrim的测试数据集，在相同尺度下同时进行BayesPrism和BisqueRNA
BayesPrism方法2022年4月发表在nature cancer(22.7分)
https://www.nature.com/articles/s43018-022-00356-3
https://github.com/Danko-Lab/BayesPrism
贝叶斯棱镜由Deconvolution modules反卷积模块和Embedding learning module嵌入学习模块组成。反卷积模块对来自scRNA-seq的细胞类型特异性表达谱进行建模，以共同估计肿瘤（或非肿瘤）样品的大量RNA-seq表达的细胞类型组成和细胞类型特异性基因表达的后验分布。嵌入学习模块使用期望最大化 （EM） 来使用恶性基因程序的线性组合来近似肿瘤表达，同时以反卷积模块估计的非恶性细胞的推断表达和分数为条件。
Deconvolution modules是一种分离混合信号中各个成分的方法。它从单细胞RNA测序(scRNA-seq)中建模先验(cell type-specific expression profiles)的模块。通过对肿瘤(或非肿瘤)样本的批量RNA测序表达进行分析，deconvolution模块可以共同估计细胞类型组成的后验分布和细胞类型特异性基因表达的后验分布。
Embedding learning module则是一个使用期望最大化(Expectation-maximization, EM)算法对肿瘤表达进行建模的模块。它基于先前deconvolution模块推断出的基因表达和非恶性细胞比例的条件下，利用恶性基因程序的线性组合来近似表示肿瘤表达。简单来说，embedding learning module是用来学习肿瘤基因表达的模块，并可以根据先前deconvolution模块的估计结果来进行条件建模。
BisqueRNA方法2020年发表在NC（16.6分）
https://www.nature.com/articles/s41467-020-15816-6
https://github.com/cozygene/bisque
Bisque 提供两种操作模式：基于参考（单细胞数据集，假设和bulk来自同一样本组织）和基于标记（细胞类型及其marker，属于半监督模型，效果没有参考的好）的分解
涉及以下步骤：
通过这样的反卷积过程，BisqueRNA能够基于批量RNA-seq数据估计出细胞类型的比例，从而提供了对样本中细胞异质性的洞察。这种方法在细胞组成分析中具有广泛的应用，并为我们理解组织和疾病发展提供了重要的信息。
总的来说这类bulk反卷积方法往往需要一个定义好细胞亚型类型的单细胞基因表达谱数据或者定义好细胞亚型的markers列表，就可以对bulk-RNAseq表达谱数据进步性反卷积，得到每个bulk样本中的细胞组成比例估计
其它bulk反卷积方法可参考：
Benchmarking of cell type deconvolution pipelines for transcriptomics data [https://www.nature.com/articles/s41467-020-19015-1]
Benchmarking and new generative methods for single-cell transcriptome data in bulk RNA sequence deconvolution [https://www.researchsquare.com/article/rs-3338396/v1]
library("devtools")
# install_github("Danko-Lab/BayesPrism/BayesPrism")
# install.packages("BayesPrism/BayesPrism/",repos = NULL, type = "source")
suppressWarnings(library(BayesPrism))
###### 加载数据集 ########
load("./tutorial.gbm.rdata")
ls()
# [1] "bk.dat" "cell.state.labels" "cell.type.labels" "sc.dat"
bk.dat[1:4,1:4]
# ENSG00000000003.13 ENSG00000000005.5 ENSG00000000419.11 ENSG00000000457.12
# TCGA-06-2563-01A-01R-1849-01 5033 12 1536 646
# TCGA-06-0749-01A-01R-1849-01 3422 62 934 479
# TCGA-06-5418-01A-01R-1849-01 4976 17 1654 517
# TCGA-06-0211-01B-01R-1849-01 5770 5 1546 742
# > dim(bk.dat)
# [1] 169 60483
# bulk-RNAseq 基因表达矩阵 169个样本
sc.dat[1:4,1:4]
# ENSG00000130876.10 ENSG00000134438.9 ENSG00000269696.1 ENSG00000230393.1
# PJ016.V3 0 0 0 0
# PJ016.V4 0 0 0 0
# PJ016.V5 0 0 0 0
# PJ016.V6 0 0 0 0
# > dim(sc.dat)
# [1] 23793 60294
# scRNAseq基因表达矩阵 23793个细胞
# bulk和sc都是6w多的基因 所以肯定包括非编码的
table(cell.type.labels)
# cell.type.labels
# endothelial myeloid oligo pericyte tcell tumor
# 492 2505 160 489 67 20080
# 已经分好的细胞类型
# > length(cell.type.labels)
# [1] 23793
# 和sc.dat中23793个细胞对应
table(cell.state.labels)
# cell.state.labels
# endothelial myeloid_0 myeloid_1 myeloid_2 myeloid_3 myeloid_4 myeloid_5 myeloid_6 myeloid_7 myeloid_8
# 492 550 526 386 382 266 141 130 75 49
# oligo pericyte PJ016-tumor-0 PJ016-tumor-1 PJ016-tumor-2 PJ016-tumor-3 PJ016-tumor-4 PJ016-tumor-5 PJ016-tumor-6 PJ017-tumor-0
# 160 489 621 619 481 420 375 308 261 107
# PJ017-tumor-1 PJ017-tumor-2 PJ017-tumor-3 PJ017-tumor-4 PJ017-tumor-5 PJ017-tumor-6 PJ018-tumor-0 PJ018-tumor-1 PJ018-tumor-2 PJ018-tumor-3
# 107 101 89 83 64 22 444 429 403 361
# PJ018-tumor-4 PJ018-tumor-5 PJ025-tumor-0 PJ025-tumor-1 PJ025-tumor-2 PJ025-tumor-3 PJ025-tumor-4 PJ025-tumor-5 PJ025-tumor-6 PJ025-tumor-7
# 262 113 971 941 630 601 523 421 397 381
# PJ025-tumor-8 PJ025-tumor-9 PJ030-tumor-0 PJ030-tumor-1 PJ030-tumor-2 PJ030-tumor-3 PJ030-tumor-4 PJ030-tumor-5 PJ032-tumor-0 PJ032-tumor-1
# 319 236 563 482 425 419 348 73 195 171
# PJ032-tumor-2 PJ032-tumor-3 PJ032-tumor-4 PJ032-tumor-5 PJ035-tumor-0 PJ035-tumor-1 PJ035-tumor-2 PJ035-tumor-3 PJ035-tumor-4 PJ035-tumor-5
# 72 62 57 41 512 474 471 435 385 334
# PJ035-tumor-6 PJ035-tumor-7 PJ035-tumor-8 PJ048-tumor-0 PJ048-tumor-1 PJ048-tumor-2 PJ048-tumor-3 PJ048-tumor-4 PJ048-tumor-5 PJ048-tumor-6
# 241 150 81 545 463 437 333 303 277 244
# PJ048-tumor-7 PJ048-tumor-8 tcell
# 228 169 67
# 貌似在细胞类型上加上细胞状态？进一步分亚型？
##############细胞类型和状态标签的 QC##############
plot.cor.phi (input=sc.dat,
input.labels=cell.state.labels,
title="cell state correlation",
#specify pdf.prefix if need to output to pdf
pdf.prefix="gbm.cor.cs",
cexRow=0.2, cexCol=0.2,
margins=c(2,2))
plot.cor.phi (input=sc.dat,
input.labels=cell.type.labels,
title="cell type correlation",
#specify pdf.prefix if need to output to pdf
pdf.prefix="gbm.cor.ct",
cexRow=0.5, cexCol=0.5,
)
# 为进行反卷积cell.type.labels和cell.state.labels要有足够的区分度
# 可以使用使用plot.cor.phi函数查看cell.type.labels和cell.state.labels的特征
# 如果区分度不够或者过了，那么各个群在聚类图中，可能会聚集在一起
# 如果出现大部分cluster 具有明显的相似性，可以考虑merge，或者以更低的resolution进行降维聚类（或者说higher granularity）
# 如果重新聚类或者merge 不合适的话，也可考虑删除
# 可以看到各个标签之间相似度很低
#########过滤离群基因############
# 在单细胞测序中，大量的核糖体基因或者线粒体基因不参与指导分析细胞功能，但其可能主导分布并使推断产生偏差。
# 这些基因在区分细胞类型方面通常不能提供信息，并且可能是大的假变异的来源。因此，它们对反卷积是不利的。因此，有必要移除这些基因。
# 查看单细胞数据的离群基因
sc.stat <- plot.scRNA.outlier(
input=sc.dat, #make sure the colnames are gene symbol or ENSMEBL ID
cell.type.labels=cell.type.labels,
species="hs", #currently only human(hs) and mouse(mm) annotations are supported
return.raw=TRUE #return the data used for plotting.
# pdf.prefix="gbm.sc.stat" # specify pdf.prefix if need to output to pdf
)
head(sc.stat)
# 查看bulk数据的离群基因
bk.stat <- plot.bulk.outlier(
bulk.input=bk.dat,#make sure the colnames are gene symbol or ENSMEBL ID
sc.input=sc.dat, #make sure the colnames are gene symbol or ENSMEBL ID
cell.type.labels=cell.type.labels,
species="hs", #currently only human(hs) and mouse(mm) annotations are supported
return.raw=TRUE
#pdf.prefix="gbm.bk.stat" specify pdf.prefix if need to output to pdf
)
head(bk.stat)
# 图中显示每个基因的归一化平均表达(x 轴)和最大特异性(y 轴)的对数，以及每个基因是否属于一个潜在的“异常”
# 可以发现 核糖体蛋白质基因通常表现出高平均表达和低细胞类型特异性得分(局限在右下角)
# 查看完之后，将从选定的群体中移除基因。
# 注意，当参考基因和混合基因的性别不同时，建议排除 chrX 和 chrY 基因。
# 也删除低转录基因，因为测量这些基因的转录倾向于噪声。去除这些基因也可以加快计算速度。
sc.dat.filtered <- cleanup.genes (input=sc.dat,
input.type="count.matrix",
species="hs",
gene.group=c( "Rb","Mrp","other_Rb","chrM","MALAT1","chrX","chrY") ,
exp.cells=5)
# EMSEMBLE IDs detected.
# number of genes filtered in each category:
# Rb Mrp other_Rb chrM MALAT1 chrX chrY
# 89 78 1011 37 1 2464 594
# A total of 4214 genes from Rb Mrp other_Rb chrM MALAT1 chrX chrY have been excluded
# A total of 24343 gene expressed in fewer than 5 cells have been excluded
dim(sc.dat.filtered)
# [1] 23793 31737
# 只剩下3w多基因了，其实这个过程可以参考我们过去单细胞的过滤，只不过BayesPrism自己也有对应的函数
########检查bulk和sc不同类型基因表达的一致性########
plot.bulk.vs.sc (sc.input = sc.dat.filtered,
bulk.input = bk.dat
#pdf.prefix="gbm.bk.vs.sc" specify pdf.prefix if need to output to pdf
)
# 这个包有些函数还挺方便的，比如以后检查同一问题不同研究的表达矩阵就可以直接用这个
# 从前面的相关性图可以看出来，蛋白质编码基因是两个测定之间最一致的组，那么直接拿蛋白质编码基因子集反卷积是没问题的
sc.dat.filtered.pc <- select.gene.type (sc.dat.filtered,
gene.type = "protein_coding")
# EMSEMBLE IDs detected.
# number of genes retained in each category:
#
# protein_coding
# 16148
# 当观察到严重的批次效应或者在第二步QC时发现一些细胞类型存在非常相似的表达特征时
# 可以考虑使用signature gene
# 特征基因的选择可以丰富用于反卷积的基因信息，同时减少技术批量效应造成的噪声影响
# # Select marker genes (Optional)
# # performing pair-wise t test for cell states from different cell types
# diff.exp.stat <- get.exp.stat(sc.dat=sc.dat[,colSums(sc.dat>0)>3],# filter genes to reduce memory use
# cell.type.labels=cell.type.labels,
# cell.state.labels=cell.state.labels,
# pseudo.count = 0.1, #a numeric value used for log2 transformation. =0.1 for 10x data, =10 for smart-seq. Default=0.1.
# cell.count.cutoff=50, # a numeric value to exclude cell state with number of cells fewer than this value for t test. Default=50.
# n.cores=1 #number of threads
# )
# # cell.count.cutoff=50
# # 理想情况下，每种细胞类型最好选择足够数量的基因，否则会降低截止值
# # 根据signature gene提取Count matrix subset：
# sc.dat.filtered.pc.sig <- select.marker (sc.dat=sc.dat.filtered.pc,
# stat=diff.exp.stat,
# pval.max=0.01,
# lfc.min=0.1)
# Prism对象包含运行 BayesPrism 所需的所有数据，即 scRNA-seq reference 矩阵、每行参考的 cell type and cell state labels 以及mixture（Bulk RNA-seq）
myPrism <- new.prism(
reference=sc.dat.filtered.pc,
mixture=bk.dat,
input.type="count.matrix", # 当使用 scRNA-seq Count 矩阵作为input (推荐)时，用户需要指定 input.type = “ count. Matrix”。Type 的另一个选项是“ GEP”(gene expression profile) ，它是基因矩阵的细胞状态。当使用Bulk RNAseq的数据作为reference 时， 应设置input.type ='GEP'
cell.type.labels = cell.type.labels,
cell.state.labels = cell.state.labels,
key="tumor",# 参数key是 cell.type.label 中对应于恶性细胞类型的字符向量。如无恶性细胞，即设置为 NULL，此时，所有类型的细胞将被 treated equally
outlier.cut=0.01,
outlier.fraction=0.1,
)
bp.res <- run.prism(prism = myPrism, n.cores=24) # 24核并行
# Run Gibbs sampling...
# Current time: 2023-10-16 14:02:06
# Estimated time to complete: 1hrs 17mins
# Estimated finishing time: 2023-10-16 15:18:15
# Start run...
# R Version: R version 4.2.2 (2022-10-31)
#
# snowfall 1.84-6.2 initialized (using snow 0.4-4): parallel execution on 24 CPUs.
#
# Stopping cluster
#
# Update the reference matrix ...
# snowfall 1.84-6.2 initialized (using snow 0.4-4): parallel execution on 24 CPUs.
#
# Stopping cluster
#
# Run Gibbs sampling using updated reference ...
# Current time: 2023-10-16 14:40:44
# Estimated time to complete: 38mins
# Estimated finishing time: 2023-10-16 15:18:17
# Start run...
# snowfall 1.84-6.2 initialized (using snow 0.4-4): parallel execution on 24 CPUs.
#
# Stopping cluster
bp.res
# > slotNames(bp.res)
# [1] "prism" "posterior.initial.cellState" "posterior.initial.cellType" "reference.update" "posterior.theta_f"
# [6] "control_param"
# extract posterior mean of cell type fraction theta
theta <- get.fraction (bp=bp.res,
which.theta="final",
state.or.type="type")
# > head(theta)
# tumor myeloid pericyte endothelial tcell oligo
# TCGA-06-2563-01A-01R-1849-01 0.8392297 0.04329259 2.999022e-02 0.07528272 6.474488e-04 0.0115573149
# TCGA-06-0749-01A-01R-1849-01 0.7090654 0.17001073 8.995526e-07 0.01275526 1.179331e-06 0.1081665709
# TCGA-06-5418-01A-01R-1849-01 0.8625322 0.09839143 9.729268e-03 0.02416954 7.039913e-07 0.0051768589
# TCGA-06-0211-01B-01R-1849-01 0.8893449 0.04482991 1.131622e-02 0.05435490 2.508238e-06 0.0001515524
# TCGA-19-2625-01A-01R-1850-01 0.9406438 0.03546026 1.932740e-03 0.01309753 4.535897e-06 0.0088610997
# TCGA-19-4065-02A-11R-2005-01 0.6763166 0.08374439 1.849921e-01 0.01918132 3.541126e-04 0.0354114398
# > dim(theta)
# [1] 169 6
在BayesPrim基础上我们使用相同的蛋白质编码基因子集通过BisqueRNA进行反卷积
# install.packages("BisqueRNA")
library(Biobase)
library(BisqueRNA)
# bulk
bk.dat[1:4,1:4]
bulk.matrix <- t(bk.dat)
bulk.eset <- Biobase::ExpressionSet(assayData = bulk.matrix)
bulk.eset@assayData[["exprs"]][1:4,1:4]
# sc
# 统一用蛋白质编码基因
sc.dat.filtered.pc[1:4,1:4]
sc.matrix <- t(sc.dat.filtered.pc)
sc.obj <- Seurat::CreateSeuratObject(counts = sc.matrix)
# sc.dat.filtered.pc对象前面已经过滤了，这里就不根据min.cell min.features等参数过滤、
sc.obj@assays$RNA@counts[1:4,1:4]
# 如果单细胞数据（来自 10x 平台）在seurat中，且包含细胞类型信息，Bisque 包含一个函数，该函数会自动将此对象转换为表达式集
sc.eset <- BisqueRNA::SeuratToExpressionSet(sc.obj, delimiter="\\.", position=1, version="v3") # delimiter分割，postion指定样本id
# Split sample names by "\." and checked position 1. Found 8 individuals.
# Example: "PJ016.V3" corresponds to individual "PJ016".
table(sc.eset$SubjectName)
# PJ016 PJ017 PJ018 PJ025 PJ030 PJ032 PJ035 PJ048
# 3085 1261 2197 5924 3097 1377 3768 3084
# 包含8个独立样本
# 加入细胞类型
table(cell.type.labels)
sc.eset$cellType <- cell.type.labels
table(sc.eset$cellType)
# endothelial myeloid oligo pericyte tcell tumor
# 492 2505 160 489 67 20080
# 因为我们拿到BisqueRNA里来的矩阵就已经是蛋白质编码的了
# 所以这里其实就是进行类似BayesPrism里的蛋白质子集的反卷积
res <- BisqueRNA::ReferenceBasedDecomposition(bulk.eset, sc.eset, markers=NULL, use.overlap=FALSE)
# 如果bulk和单细胞数据是同一个样本测得，可以设置use.overlap=TRUE，可能有更好的表现
# 但如果不同数据集样本强行use.overlap=TRUE：
# Decomposing into 6 cell types.
# Error in GetOverlappingSamples(sc.eset, bulk.eset, subject.names, verbose) :
# No overlapping samples in bulk and single-cell expression.
ref.based.estimates <- t(res$bulk.props)
head(ref.based.estimates)
library(tidyverse)
# 根据BayesPrim结果顺序排序
estimates <- as.data.frame(ref.based.estimates) %>% select(tumor,myeloid,pericyte,endothelial,tcell,oligo) %>% as.matrix()
head(estimates)
head(theta)
dim(estimates);dim(theta)
# [1] 169 6
# [1] 169 6
此外，当没有参考单细胞数据集时，BisqueRNA可以仅使用已知的标记基因提供相对细胞类型丰度的估计值
这其实是一个比较灵活的接口了，如果我们想使用像在前面BayesPrism提到的signature gene进行反卷积，也可以通过这个接口进行调整
详情参考原介绍BisqueRNA的推文
# 同一细胞类型样本间比较
tmp <- c()
for (i in seq(1,6)){
tmp <- c(tmp, cor(estimates[,i],theta[,i]))
}
tmp
# tumor,myeloid,pericyte,endothelial,tcell,oligo
# [1] 0.8388819 0.9704178 0.3984573 0.2961502 0.1585450 0.2849336
# 同一样本细胞类型占比比较
tmp <- c()
for (i in seq(1,169)){
tmp <- c(tmp, cor(estimates[i,],theta[i,]))
}
tmp
range(tmp)
# [1] 0.7806862 0.9998643
以上就是本周转录组周更的全部内容
如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程
看完记得顺手点个“在看”哦！
长按扫码可关注
https://mp.weixin.qq.com/s/9BOiQ-dHQQYvXpjB72_pTg