玩转单细胞(7)：修改Seurat对象基因名称_为什么seurat对象的基因名是feature

相关文章推荐

腹黑的板凳 · VBA按行读取csv文件与分割合并-腾讯云开 ...· 10 月前 ·

豪爽的灯泡 · 【已解决】PowerShell：无法将“XX ...· 1 年前 ·

呐喊的打火机 · conda命令详解 - 思念殇千寻 - 博客园· 1 年前 ·

失眠的开心果 · Virtual-Key代碼 ...· 1 年前 ·

跑龙套的单杠 · Ren Dexin· 1 年前 ·

玩转单细胞(2):Seurat批量做图修饰玩转单细胞(3):堆叠柱状图添加比例
 玩转单细胞(4):单细胞相关性
 玩转单细胞(5):单细胞UMAP图只标记特定细胞群、圈定细胞群及坐标轴修改
 玩转单细胞(6):单细胞差异基因展示之对角散点图
之前的玩转单细胞系列，还是受到很多人的喜欢的，这里的都是一些小问题，但是遇到的话一时半会觉得无从下手，因为都是写细枝末节的问题，学习了也是锦上添花。同样的，今天的问题也是一直以来没有想过的，只不过是在做项目的时候需要，查询了相关的解决办法，这里分享验证一下。问题：我们在构建seurat对象的时候，使用表达矩阵，基因名一般是gene symbol，如果是ID的话，网上的教程也是建议转为symbol再构建，因为构建好seurat后无法修改，确实是，因为seurat没有专门的函数进行修改。另外就是进行同源转化的时候，只有seurat对象，那就很难受。解决办法：在阅读一篇文章的时候作者写过一个函数，github上也有：

RenameGenesSeurat <- function(obj = ls.Seurat[[i]], newnames = tmp) { # Replace gene names in different slots of a Seurat object. Run this before integration. Run this before integration. It only changes obj@assays$RNA@counts, @data and @scale.data.
  print("Run this before integration. It only changes obj@assays$RNA@counts and @data ")
  RNA <- obj@assays$RNA
  if (nrow(RNA) == length(newnames)) {
    if (length(RNA@counts)) RNA@counts@Dimnames[[1]]            <- newnames
    if (length(RNA@data)) RNA@data@Dimnames[[1]]                <- newnames
    # if (length(RNA@scale.data)) RNA@scale.data@Dimnames[[1]]    <- newnames
  } else {"Unequal gene sets: nrow(RNA) != nrow(newnames)"}
  obj@assays$RNA <- RNA
  return(obj)
但是后来在一个帖子上发现，作者说github的函数不是通用形的，且不能全局修改，作者提供了一种改写函数。为了尊重劳动成果，这里就不直接贴出来函数了，附上作者函数的帖子，自行查看：如何给Seurat对象的基因重命名？【基因名转换】2022-07-27 - 简书这里我们进行演示，看看效果，我们用小鼠的seurat对象进行人同源转化：这里也提一种同源转化R包homologene。 
library(Seurat)
library(nichenetr)
library(dplyr)
install.packages('homologene')
library(homologene)#基因同源转化R包
# homologene::taxData
#    tax_id                      name_txt
# 1   10090                  Mus musculus
# 2   10116             Rattus norvegicus
# 3   28985          Kluyveromyces lactis
# 4  318829            Magnaporthe oryzae
# 5   33169         Eremothecium gossypii
# 6    3702          Arabidopsis thaliana
# 7    4530                  Oryza sativa
# 8    4896     Schizosaccharomyces pombe
# 9    4932      Saccharomyces cerevisiae
# 10   5141             Neurospora crassa
# 11   6239        Caenorhabditis elegans
# 12   7165             Anopheles gambiae
# 13   7227       Drosophila melanogaster
# 14   7955                   Danio rerio
# 15   8364 Xenopus (Silurana) tropicalis
# 16   9031                 Gallus gallus
# 17   9544                Macaca mulatta
# 18   9598               Pan troglodytes
# 19   9606                  Homo sapiens
# 20   9615        Canis lupus familiaris
# 21   9913                    Bos taurus
# A <- homologene(rownames(mouse_data), inTax = 10090, outTax = 9606)
# inTax输入物种、outTax输出物种
#将鼠的基因名转化为人的
mouse_data <- readRDS("D:/mouse_data.rds")
gene_trans = rownames(mouse_data) %>% convert_mouse_to_human_symbols()
gene_trans <- as.data.frame(gene_trans)
gene_mouse <- as.data.frame(rownames(mouse_data))
gene_use <- cbind(gene_trans, gene_mouse)
gene_use <- na.omit(gene_use)
mouse_data_trans <- subset(mouse_data,features=gene_use$`rownames(mouse_data)`)
mouse_data_trans <- RenameGenesSeurat(mouse_data_trans, 
                                      newnames = gene_use$gene_trans,
                                      gene.use = gene_use$`rownames(mouse_data)`,
                                      de.assay = 'RNA')

 可以看到，转化后不论是哪个assay，都变成了人的基因。接下来我们做一下差异基因的分析，看看会不会出错。发现没有任何问题。而且作图也是一样的，说明转化的成功。 
#测试一下，差异基因
DEGs <- FindMarkers(mouse_data_trans, 
                    min.pct = 0.25,
                    logfc.threshold = 0.25,
                    group.by = "orig.ident",
                    ident.1 ="10X_ntph_F",
                    ident.2="10X_ntph_M")
DEGs1 <- FindMarkers(mouse_data, 
                    min.pct = 0.25,
                    logfc.threshold = 0.25,
                    group.by = "orig.ident",
                    ident.1 ="10X_ntph_F",
                    ident.2="10X_ntph_M")
p1 <- FeaturePlot(mouse_data_trans, features = 'LTF')
p2 <- FeaturePlot(mouse_data, features = 'Ltf')
p1|p2
最后，我们对这个数据进行重聚类，发现这个过程没有任何问题！ 
mouse_trans_human <- ScaleData(mouse_data_trans, vars.to.regress = c("nCount_RNA"), verbose = FALSE)
mouse_trans_human <- FindVariableFeatures(mouse_trans_human, nfeatures = 4000)
mouse_trans_human <- RunPCA(mouse_trans_human, npcs = 50, verbose = FALSE)
mouse_trans_human <- FindNeighbors(mouse_trans_human, reduction = "pca", dims = 1:50)
mouse_trans_human <- FindClusters(mouse_trans_human, resolution=0.8)
mouse_trans_human <- RunUMAP(mouse_trans_human, reduction = "pca", dims = 1:50)
DimPlot(mouse_trans_human, label = T,pt.size = 1)
最后，再次感谢这个提供函数的作者，这个函数特别有用，不仅在需要同源转化的分析中，在跨物种的分析中也同样适用。觉得分享有用的点个赞、分享下再走呗。更多精彩请至我们的公众号===KS科研分享与服务
                                    应该是因为FindMarkers运行时候，需要使用rownames，而我们的rownames此时在不同的slot中可能是不一样的。仔细阅读该函数，发现本质就是把counts@Dimnames[[1]] 和data@Dimnames[[1]] 还应该有scale.data@Dimnames[[1]] 的名字改为gennesymbol。其实，最好的办法，可能是把count提取出来，自己制作rds文件，这样就不会有各种报错啦。在最开始的时候，就把可能报错的小火苗掐灭。ACTB好像齐一点？
                                    本次推文带来其中一种方法的演示，来自大家已经非常熟悉的Seurat包所自带的单细胞注释方法，该方法首次于2018年发表在Nature Biotechnology，题为《Integrating single-cell transcriptomic data across different conditions, technologies, and species》。
                                    最近微信群有小伙伴说想让出一期scMetabolism单细胞代谢，之前我也接触过这个R包，其实非常简单，而且这个R包不是很完善，也有很大的局限性，例如只能做人的，其他物种的需要同源转化。之后做小鼠的，只需要source这个函数，依据代码就完成了。这个包其实很简单也没有什么好说的了，可能有些小伙伴的mouse数据做的时候还是会出错，需要自己去修改函数了哦。人的数据分析很简单，主要的问题是别的物种，需要同源转化，这里我们演示小鼠的，直接将同源转化和代谢分析包装在一个简单的函数里面，运行就可以得到分析结果了。
本期我们介绍一下如何转换，以及其中的一个大坑，线粒体基因！！！😤
2用到的包
rm(list = ls())library(tidyverse)library(scater)library(SingleCellExperiment)library(AnnotationDbi)library(org.Hs.eg.db)library(EnsDb.Hsapiens.v86)
3示例数据
这里我们用一下之前介绍
b@meta.data[["orig.ident"]]=c("C1.NT1","C6.NT2","C1.3","C1.5","C6.1","C1.S3","C1.S5","C6.S1")
b@meta.data#修改orig.ident之后
DimPlot(b, reduction = "pca",label = TRUE,group.by =..
                                    Seurat是单细胞分析经常使用的分析包。seurat对象的处理是分析的一个难点，这里我根据我自己的理解整理了下常用的seurat对象处理的一些操作，有不足或者错误的地方希望大家指正~