ixxmu
commented
1 month ago 不同单细胞群相关性分析：提示亚群之间具有相关性 by 生信小博士
文献里常遇到这种相关性热图：
Immunophenotyping of COVID-19 and influenza highlights the role of type I interferons in development of severe COVID-19
Single-Cell Reconstruction of Progression Trajectory Reveals Intervention Principles in Pathological Cardiac Hypertrophy
相关性热图是一种在单细胞数据分析中常用的可视化工具，用于展示不同细胞群之间的相似性或差异性。在单细胞RNA测序(scRNA-seq)数据中，相关性热图可以帮助研究者识别具有相似表达模式的细胞群体，从而揭示细胞亚群的功能和发育轨迹。
#2在seurat_v5文件夹下安装v5---.libPaths(c(# '/home/rootyll/seurat_v5/',"/usr/local/lib/R/site-library","/usr/lib/R/site-library","/usr/lib/R/library"))library(Seurat)library(dplyr)path="~/zxxxx/sepsis_celltype_correlation"dir.create(path ,recursive = TRUE)setwd(path)load('../sepsis_cluster_merge.rds')pbmc=All.mergeDimPlot(pbmc,label = TRUE,split.by = "stim")head(pbmc@meta.data)#all----library(Seurat)av <-AverageExpression(pbmc,group.by = "cell.type",assays = "RNA")av=av[[1]]head(av)#选出标准差最大的1000个基因cg=names(tail(sort(apply(av, 1, sd)),1000))# #查看这1000个基因在各细胞群中的表达矩阵# View(av[cg,])# #查看细胞群的相关性矩阵# View(cor(av[cg,],method = 'spearman'))#pheatmap绘制热图pheatmap::pheatmap(cor(av[cg,],method = 'spearman')) #默认是Pearson
可以选择想要的组别
#cont----pbmc=All.merge[,grepl("Con",All.merge$stim)]av <-AverageExpression(pbmc,group.by = "cell.type",assays = "RNA")av=av[[1]]head(av)#选出标准差最大的1000个基因cg=names(tail(sort(apply(av, 1, sd)),1000))# #查看这1000个基因在各细胞群中的表达矩阵# View(av[cg,])# #查看细胞群的相关性矩阵# View(cor(av[cg,],method = 'spearman'))# #pheatmap绘制热图pheatmap::pheatmap(cor(av[cg,],method = 'spearman')) #默认是Pearson
使用scanpy更简单
import scanpy as scadata = sc.datasets.pbmc68k_reduced()sc.tl.dendrogram(adata, 'bulk_labels')#sc.pl.dendrogram(adata, 'bulk_labels')sc.pl.correlation_matrix(adata, 'bulk_labels', figsize=(5,3.5))
相关性分析方法
多种相关性分析方法都可以探究变量之间的关系。这些方法各有特点，适用于不同的数据类型和研究场景。
皮尔逊相关系数（Pearson Correlation）
这是一种衡量两个连续变量线性相关程度的参数检验方法。
其值域在-1到1之间，值越接近±1表示变量间的线性关系越强，而接近0则意味着线性关系较弱。
适用于两个变量均为正态分布的情况，可以直观地显示变量之间的正相关或负相关关系。
斯皮尔曼等级相关系数（Spearman's Rank Correlation）
这是一种非参数方法，通过比较变量的等级（或秩次）而不是实际值来评估它们之间的相关性。
适用于不满足正态分布假设的数据，或者当变量是有序分类而非连续数据时。
这种方法对异常值具有较强的鲁棒性，因为它不依赖于数据的具体数值。
肯德尔等级相关系数（Kendall's Tau Correlation）
另一种非参数相关性检验，用于衡量两个变量的等级顺序之间的关联。
它考虑了成对观测值之间的一致性和不一致性，适用于样本量较小或数据含有异质性的情况。
其他相关性分析方法
除了上述方法，还有诸如卡方检验（Chi-squared Test）和费舍尔精确检验（Fisher's Exact Test）等，这些方法主要用于分类变量之间的相关性分析。
卡方检验可以评估两个分类变量是否独立，而费舍尔精确检验则用于小样本数据的相关性分析。
在实际应用中，选择哪种相关性分析方法取决于数据的特性、分布情况以及研究目的。正确选择和应用这些方法，可以帮助研究者更准确地理解和解释变量之间的关系。
参考：https://www.jianshu.com/p/d3786239f60e
https://mp.weixin.qq.com/s/pvbac1nczqN08-HCZbgqNA