[Seurat] Guided Clustering Tutorial, Single cell data analysis by R studio 2편

Guided Clustering Tutorial, Single cell data analysis by R studio 1편

[Seurat] Guided Clustering Tutorial, Single cell data analysis by R studio

안녕하세요, 꿈꾸는 약사입니다. Seurat tutorial 1편에 이어서 2편 진행하도록 하겠습니다.

목차는 오른쪽에 있습니다.

Perform linear dimensional reduction

# Scaling된 data에 대해 PCA analysis

pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc))

 

Visualization method1. VizDimLoadings

# Visualize Dimensional Reduction genes

# Seurat object = pbmc

# dims = Number of dimensions to display

# reduction = Reduction technique to visualize results for

VizDimLoadings(pbmc, dims = 1:2, reduction = "pca")

# 실행 결과

 

 

Visualization method 2.Dimplot

# Dimensional reduction plot

# Seurat object = pbmc

# reduction = Which dimensionality reduction to use. If not specified, first searches for umap, then tsne, then pca

DimPlot(pbmc, reduction = "pca")

# 실행 결과

 

Visualization method 3.DimHeatmap

# Dimensional reduction heatmap

# Seurat object = pbmc

# dims = Dimensions to plot

# cells = A list of cells to plot. If numeric, just plots the top cells.

# balanced = Plot an equal number of genes with both + and - scores.

DimHeatmap(pbmc, dims = 1, cells = 500, balanced = TRUE)

# 실행 결과

Determine the ‘dimensionality’ of the dataset

# 연관된 특성 set에 따라 'metafeature'를 대표할 수 있는 Cell cluster을 grouping

# null distribution을 계속해서 재생산함에 따라 significant P value 갖는 clustering 형성하도록 함

 

 

# 오랜 시간 걸릴 수 있으나 ElbowPlot()로 연산시간 줄일 수 있음

# num.replicate = Number of replicate samplings to perform

# dims = Which dimensions to examine

pbmc <- JackStraw(pbmc, num.replicate = 100)
pbmc <- ScoreJackStraw(pbmc, dims = 1:20)

 

# JackStrawPlot()으로 각각의 Principle components(이하 PCs)에서 p value distribution을 visulaize

JackStrawPlot(pbmc, dims = 1:15)

 

# 실행 결과

# Alternative method Elbowplot()은 PCs에 대해 variance 기반으로 ranking

ElbowPlot(pbmc)

 

# 실행 결과

 

# 과도한 dimensionality 감소는 연관성을 갖지 않는 data subset 또한 연관지어 보이는 오류를 범할 수 있음

# 그렇다고 PC 반복 횟수를 줄이면 유의미한 상관 관계에 놓여 있는 data set 또한 관계성을 찾지 못할 수 있음

 

Cluster the cells

# PCA 공간 상에서의 local neiborhoods간 overlapping을 opitimize

# clustering analysis에 쓰인 distance metric은 똑같이 써줌(based on previously identified PCs)

pbmc <- FindNeighbors(pbmc, dims = 1:10)
pbmc <- FindClusters(pbmc, resolution = 0.5)

Run non-linear dimensional reduction (UMAP/tSNE)

# non-linear dimensional reduction technieques tSNE, UMAP

pbmc <- RunUMAP(pbmc, dims = 1:10)

# UMAP화 시킨 PC를 Dimplot으로 visualize

DimPlot(pbmc, reduction = "umap")

# 실행 결과

# 이전의 step들을 rerun하지 않고도 지금까지의 data를 저장해서 나중에 불러올 수 있도록 함

saveRDS(pbmc, file = "D:/SNU/이유정 - 4 SNU Pharmacy data/1 individual data folder/Su-Yeong/9. Seurat/seurat tutorial.rds")