如何确定细胞聚类的PC数

Original 柠檬不酸单细胞天地 2022-06-07

作者 | 单细胞天地小编柠檬不酸

准备

官网上PC数目的确定（https://satijalab.org/seurat/v3.1/pbmc3k_tutorial.html）

1library(Seurat)
2
3load(file = 'Cluster_seurat.Rdata') # data.filt
4seurat_data <- data.filt

方法一：DimHeatmap函数

1# Explore heatmap of PCs
2DimHeatmap(seurat_data, dims = 1:6, cells = 500, balanced = TRUE)

1DimHeatmap(seurat_data , dims = 7:12, cells = 500, balanced = TRUE)

方法二：ElbowPlot函数

1# Plot the elbow plot
2ElbowPlot(object = seurat_data ,  ndims = 30)

方法三：JackStrawPlot函数

1# Slow slow slow
2seurat_data  <- JackStraw(object = seurat_data, dims = 50)
3seurat_data  <- ScoreJackStraw(seurat_data, dims = 1:50)
4JackStrawPlot(object = seurat_data, dims = 1:50)
5

上面三种方法只能给出PC数的粗略范围，选择不同PC数目，细胞聚类效果差别较大，因此，需要一个更具体的PC数目。作者提出一个确定PC阈值的三个标准：

主成分累积贡献大于90%
PC本身对方差贡献小于5%
两个连续PCs之间差异小于0.1%

 1# Determine percent of variation associated with each PC
 2pct <- seurat_data [["pca"]]@stdev / sum( seurat_data [["pca"]]@stdev) * 100
 3
 4
 5# Calculate cumulative percents for each PC
 6cumu <- cumsum(pct)
 7
 8
 9# Determine which PC exhibits cumulative percent greater than 90% and % variation associated with the PC as less than 5
10co1 <- which(cumu > 90 & pct < 5)[1]
11co1
12
13# Determine the difference between variation of PC and subsequent PC
14co2 <- sort(which((pct[1:length(pct) - 1] - pct[2:length(pct)]) > 0.1), decreasing = T)[1] + 1
15
16
17# last point where change of % of variation is more than 0.1%.
18co2
19
20# Minimum of the two calculation
21pcs <- min(co1, co2)
22pcs
23
24# Create a dataframe with values
25plot_df <- data.frame(pct = pct,   cumu = cumu,   rank = 1:length(pct))
26
27
28# Elbow plot to visualize 
29ggplot(plot_df, aes(cumu, pct, label = rank, color = rank > pcs)) + 
30  geom_text() + 
31  geom_vline(xintercept = 90, color = "grey") + 
32  geom_hline(yintercept = min(pct[pct > 5]), color = "grey") +
33  theme_bw()

查看PC相关高可变基因。如果我们看到一种罕见细胞类型的已知标记基因的PC数，那么可以选择从1~直到该PC值的所有PC数目。

1# Printing out the most variable genes driving PCs
2print(x = seurat_data [["pca"]],  dims = 1:25,  nfeatures = 5)

 1PC_ 1 
 2Positive:  NEIL1, LTB, KLF2, TP53INP1, CD27 
 3Negative:  TYMS, MKI67, PCLAF, RRM2, NUSAP1 
 4PC_ 2 
 5Positive:  GZMA, ARL4C, PRF1, CST7, GZMM 
 6Negative:  SLC35E3, ID3, PRDX1, TOP2B, RPLP0 
 7PC_ 3 
 8Positive:  HBA2, HBB, HBA1, AHSP, HBD 
 9Negative:  RPS18, RPL18A, RPS2, RPSA, RPL37A 
10PC_ 4 
11Positive:  IGLL1, SLC35E3, PCDH9, CD38, F13A1 
12Negative:  CCL17, HMBS, BLVRB, AQP1, CD36 
13PC_ 5 
14Positive:  GYPC, RPS18, RPS2, C1QTNF4, RPL18A 
15Negative:  MNDA, LYZ, S100A9, S100A8, FCN1 
16PC_ 6 
17Positive:  PLK1, CDC20, CENPA, HMMR, CENPE 
18Negative:  GINS2, MCM6, HELLS, MCM4, MCM3 
19PC_ 7 
20Positive:  GYPC, C1QTNF4, LIMS1, NRIP1, S100A9 
21Negative:  SPIB, TAGLN2, MS4A1, IGLC6, PTPRC 
22PC_ 8 
23Positive:  FCGR3A, GZMB, SPON2, KLRF1, MYOM2 
24Negative:  CCR7, CD3G, CD3D, IL7R, GPR183 
25PC_ 9 
26Positive:  CCL17, LTB, TMEM154, CCND2, HSPA12B 
27Negative:  ACTG1, LGALS1, IGLL1, CCDC81, TOP2B 
28PC_ 10 
29Positive:  AHNAK, VIM, EMP1, LMNA, CD27 
30Negative:  MT1X, CCL17, FTL, HSP90B1, NSMCE1 
31PC_ 11 
32Positive:  NEIL1, LTB, FTH1, CFD, CST3 
33Negative:  LCN2, RETN, S100A8, LTF, CAMP 
34PC_ 12 
35Positive:  RPS12, RPLP1, RPL18A, EEF1B2, RPS5 
36Negative:  HNRNPU, NCL, AHNAK, AC245060.5, EMP1 
37PC_ 13 
38Positive:  CD3D, TRAC, CD3G, IGLC6, CD27 
39Negative:  MARCH1, MS4A1, BANK1, ADAM28, LINC02397 
40PC_ 14 
41Positive:  SCIMP, SRGN, GUSB, SHISA2, MARCH1 
42Negative:  MS4A1, ZNF608, ENAM, CCND2, CCL17 
43PC_ 15 
44Positive:  ATF5, HSPA5, PSAT1, PHGDH, MARCH1 
45Negative:  NT5E, GIMAP4, TP53INP1, SHISA2, DBI 
46PC_ 16 
47Positive:  ACSM3, IGLC6, SHISA2, REXO2, MT1X 
48Negative:  CD82, GCHFR, PRDX1, UBASH3B, PTGDR 
49PC_ 17 
50Positive:  MARCKSL1, FTH1, S100A1, CRIP2, EMP2 
51Negative:  HSP90B1, HSPA5, UBASH3B, PPIB, FKBP5 
52PC_ 18 
53Positive:  MARCH1, H3F3A, CALM2, ACTB, PRDX1 
54Negative:  HSP90B1, ATF5, HSPA5, MT-ND6, CANX 
55PC_ 19 
56Positive:  TRGC2, LGALS1, KLRG1, CCL5, PTMS 
57Negative:  CCR7, TXK, FCER1G, CD7, TCF7 
58PC_ 20 
59Positive:  PIM1, SOCS3, ADGRE5, RGCC, EPHA4 
60Negative:  LRMP, BANK1, MS4A1, CLEC4E, NME1 
61PC_ 21 
62Positive:  CCR7, CMTM2, S100A11, LRMP, TXK 
63Negative:  TRGC2, RPS12, KLRG1, LCN6, RPS18 
64PC_ 22 
65Positive:  CTGF, PMAIP1, FOS, KLF6, FOSB 
66Negative:  FUT7, SLC9A3R2, LCN6, PPP1R14A, EMP3 
67PC_ 23 
68Positive:  ATF5, PSAT1, HSP90B1, PHGDH, HSPA5 
69Negative:  CTHRC1, NSMCE1, MAP1A, IGLL1, BTNL9 
70PC_ 24 
71Positive:  SERINC2, LST1, NAMPT, MT1X, SLC25A37 
72Negative:  SHISA2, DEPP1, GADD45A, PSTPIP2, CD33 
73PC_ 25 
74Positive:  CDKN1C, RHOB, BATF3, CX3CR1, SERPINA1 
75Negative:  FOS, ALDH2, MGST1, MPO, FOSB