jamesbang

2023/04/01阅读：98主题：雁栖湖

🤩 Seurat V5 | 最火的单细胞测序分析工具重磅更新啦！~

1写在前面

现在最炙手可热的单细胞分析包，Seurat重磅跟新啦！~🤩

Seurat最初是由纽约大学的Rafael A. Irizarry和Satija等人于2015年开发。😘

该工具基于R语言编写，使用了许多先进的统计学和机器学习算法，可以对scRNA-seq数据进行细胞聚类、细胞亚群鉴定、基因差异表达分析等。🥰

自推出以来，Seurat不断更新和改进，增加了许多新功能，包括对空间转录组数据的分析和可视化，以及对多组学数据的整合。

每次发文都是顶刊，也是让人着实羡慕啊！~🤩（左右滑动哦，亲）

本次更新至V5也是做了很多新的升级：👇

空间转录组分析和多组学分析;

分析流程进一步简化和集成;

处理超大数据;

数据结构优化;

2如何安装Seurat V5

Seurat V5暂时还不能通过CRAN安装，通过下面这段代码安装吧。🫶

remotes::install_github("satijalab/seurat", "seurat5", quiet = T)
library(Seurat)

还有一些包会在后面的教程中会用到。

remotes::install_github("satijalab/seurat-data", "seurat5", quiet = T)
remotes::install_github("satijalab/azimuth", "seurat5", quiet = T)
remotes::install_github("satijalab/seurat-wrappers", "seurat5", quiet = T)
remotes::install_github("stuart-lab/signac", "seurat5", quiet = T)
remotes::install_github("bnprks/BPCells", quiet = T)

3基于测序和成像的空间数据集分析

基于测序（即Visium、SLIDE-seq等）和基于成像（MERFISH/Vizgen、Xenium、CosMX等）的空间数据集分析技术都具有独特的优势，需要根据实际情况选择分析方法。😜

本次更新，Seurat v5支持空间数据格式，并支持scRNA-seq整合、反卷积和生态位识别的分析技术。

4分析流程简化

Seurat v5提供一行代码解决整合数据问题：👇

4.1 整合数据

obj <- IntegrateLayers(
  object = obj, method = CCAIntegration,
  orig.reduction = "pca", new.reduction = "integrated.cca",
  verbose = FALSE
)

4.2 聚类

obj <- FindNeighbors(obj, reduction = "integrated.cca", dims = 1:30)
obj <- FindClusters(obj, resolution = 2, cluster.name = "cca_clusters")

4.3 可视化

obj <- RunUMAP(obj, reduction = "integrated.cca", dims = 1:30, reduction.name = "umap.cca")
p1 <- DimPlot(
  obj,
  reduction = "umap.cca",
  group.by = c("Method", "predicted.celltype.l2", "cca_clusters"),
  combine = FALSE
)

obj <- FindNeighbors(obj, reduction = "integrated.scvi", dims = 1:10)
obj <- FindClusters(obj, resolution = 2, cluster.name = "scvi_clusters")

obj <- RunUMAP(obj, reduction = "integrated.scvi", dims = 1:10, reduction.name = "umap.scvi")
p2 <- DimPlot(
  obj,
  reduction = "umap.scvi",
  group.by = c("Method", "predicted.celltype.l2", "scvi_clusters"),
  combine = FALSE
)

wrap_plots(c(p1, p2), ncol = 2)

5多组学整合

Seurat v5提供了一个新的技术，叫bridge integration，用于整合不同组学的实验结果，例如单独的scRNA-seq和scATAC-seq数据集。🥰

这种方法利用了单独的多组学数据集作为分子“桥梁”，在低维空间中进行整合，并返回一个目标降维（例如integrated.rpca），旨在将不同批次中的共享细胞类型共嵌入。🧐

整理一下目前提供的整合算法：👇

CCA：基于规范相关性分析的整合，适用于具有相似细胞类型组成的数据集。

RPCA：基于稀疏主成分分析的整合，适用于具有不同细胞类型组成的数据集。

MNN：基于互近邻的整合，适用于具有相似细胞类型组成的数据集。

LIGER：基于因子分析的整合，适用于具有不同细胞类型组成的数据集。

Bridge：基于字典学习的整合，适用于不同组学的数据集。

6更高的计算性能和更低的硬件要求

scRNA-seq数据集的大小和规模正在迅速增加，甚至超过了摩尔定律。😷

Seurat v5更新后，作者引入了新方法来分析、解释和探索跨越数百万个细胞的数据集，即使它们无法完全加载到内存中。😅

具体而言，可以理解为一种抽样的分析方法，将大型数据集的代表性子样本存储在内存中以实现快速和迭代分析，而完整数据集仍可通过磁盘存储访问。😂

此外，基于Ben Parks在Greenleaf实验室开发的BPCells包实现了更高性能的分析。😜

在原文中，作者对高达130 万个脑细胞数据集和来自多项研究的150 万个细胞数据集都进行了测试。🙂

看来以后我们就可以用笔记本电脑分析数据了。😊

7兼容性问题

Seurat v5更新比较大，有人可能会担心兼容该问题，怕与低版本的Seurat不兼容，作者也在原文中解释了这个问题，不用担心，完美兼容。🤩

最后祝大家早日不卷!~

点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰

分类：

后端

标签：

后端

作者介绍

jamesbang

wx🔍: Grassssss 卷起来了