CNS图表复现09—上皮细胞可以区分为恶性与否

分享是一种态度

回顾

我们的CNS图表复现之旅已经开始，前面8讲是；

如果你也想加入交流群，自己去：你要的rmarkdown文献图表复现全套代码来了（单细胞）找到我们的拉群小助手哈。

正文

文章的第一次分群拿到了epithelial cells [n = 5,581], 我们的CNS图表复现拿到的上皮细胞数量是：

> table([e-mail]$immune_annotation)
    epi  immune stromal 
   5444   13792    4278 

我在单细胞天地的教程：是否是免疫细胞很容易区分那是否是肿瘤细胞呢？提到过，常规做法是使用inferCNV算法可以区分细胞恶性与否。比如online 29 April 2020的文章《Single-Cell Transcriptome Analysis Reveals Intratumoral Heterogeneity in ccRCC, which Results in Different Clinical Outcomes》，就是选取ccRCC的3个病例的21个样本（12个肿瘤，9个对照），质控后总计24550个细胞，使用inferCNV算法可以区分成为7786个非恶性，16764个恶性细胞。但其实我是提出来了一个开放式问题共大家讨论，除了这个inferCNV算法，难道就没有其它方法来比较好的区分细胞的恶性与否吗？希望大家集思广益吧！

现在就给大家演示一下，不使用inferCNV算法仍然是可以判断上皮细胞的恶性与否的方法。

首先取上皮细胞的子集

关键就是 subset 函数的使用：

rm(list=ls())
options(stringsAsFactors = F)
library(Seurat)
library(ggplot2)
load(file = 'first_sce.Rdata')  
load(file = 'phe-of-first-anno.Rdata')
sce=sce.first
table(phe$immune_annotation)
[e-mail]=phe 
cells.use <- row.names([e-mail])[which(phe$immune_annotation=='epi')]
length(cells.use)
sce <-subset(sce, cells=cells.use)  
sce

然后重新走单细胞流程：

完全参考单细胞转录组数据分析的流程：

#  Epithelial cells (n = 5,581) were subsetted and re-clustered into 26 discrete epithelial clusters 
sce <- NormalizeData(sce, normalization.method =  "LogNormalize", 
                     scale.factor = 1e6)
GetAssay(sce,assay = "RNA")
sce <- FindVariableFeatures(sce, 
                            selection.method = "vst", nfeatures = 2000) 
# 步骤 ScaleData 的耗时取决于电脑系统配置（保守估计大于一分钟）
sce <- ScaleData(sce) 
sce <- RunPCA(object = sce, pc.genes = VariableFeatures(sce)) 
DimHeatmap(sce, dims = 1:12, cells = 100, balanced = TRUE)
ElbowPlot(sce)

sce <- FindNeighbors(sce, dims = 1:15)
#  Epithelial cells (n = 5,581) were subsetted and re-clustered into 26 discrete epithelial clusters 
res.used <- 1
sce <- FindClusters(object = sce, verbose = T, resolution = res.used)
table([e-mail]$seurat_clusters) 

检查单细胞分群及其来源于的病人信息

很简单的可视化：

set.seed(123)
sce <- RunTSNE(object = sce, dims = 1:15, do.fast = TRUE)
DimPlot(sce,reduction = "tsne",label=T)
DimPlot(sce,reduction = "tsne",label=T, group.by = "patient_id")
table([e-mail]$seurat_clusters) 
library(gplots)
tab.1=table([e-mail]$seurat_clusters,[e-mail]$patient_id) 
balloonplot(tab.1)

可以很明显的看到，第1,2,7,14,21,23,25 是跨越病人的聚类情况，如下所示：

根据细胞亚群是否跨越病人存在来区分上皮细胞的恶性与否

代码如下：

# 1,2,7,14,21,23,25 是跨越病人的聚类情况
# Cancer cells were identified in 44 of the original 49 tumor biopsy samples
# All cancer cells (n = 3,754) were re-clustered, resulting in 25 unique clusters (Figures S2A and S2B).
# The non-cancer epithelial cell clusters (n = 16) were further annotated into cell subtype

cancer=c(1,2,7,13,14,21,23,25)
[e-mail]$cancer <-ifelse([e-mail]$seurat_clusters %in% cancer ,'non-cancer','cancer')
# MAke a table 
table([e-mail]$cancer)
phe=[e-mail]

可以看到，我们得到的恶性细胞数量跟作者文章的一样的：

> table([e-mail]$cancer)

    cancer non-cancer 
      3732       1712 

---

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

• 生信爆款入门-第9期（线上直播4周，马拉松式陪伴，带你入门）你的生物信息入门课
  

• 数据挖掘第7期（线上直播3周，马拉松式陪伴，带你入门） 医学生/医生首选技能提高课

看完记得顺手点个“在看”哦！

生物 | 单细胞 | 转录组丨资料每天都精彩

长按扫码可关注