[scRNA-seq]单细胞转录因子分析——SCENIC实操示例_scenic分析_小L的生信笔记的博客

安装及文件准备

pySCENIC的安装较为简单，只需要在系统输入一下命令行，即可安装。详细信息可见https://pyscenic.readthedocs.io/en/latest/installation.html

pip install pyscenic

SCENIC还需要一些参考的数据，包括：

1. 转录起始子的信息。可以在https://resources.aertslab.org/cistarget/找到，在下面的例子中，我用了人类的两个数据hg38__refseq-r80__10kb_up_and_down_tss.mc9nr.feather和hg38__refseq-r80__500bp_up_and_100bp_down_tss.mc9nr.feather

2. 转录因子的信息。https://github.com/aertslab/pySCENIC/tree/master/resources，我们在下面的示例中使用的是hs_hgnc_tfs.txt

3. 包含motif信息的数据库。人类的在https://resources.aertslab.org/cistarget/motif2tf/motifs-v9-nr.hgnc-m0.001-o0.0.tbl，小鼠的在https://resources.aertslab.org/cistarget/motif2tf/motifs-v9-nr.mgi-m0.001-o0.0.tbl

正如我们之前介绍的，SCENIC的完整分析流程由三部分组成，grn、cistarget和AUCell，想要得到SCENIC的结果，其实也就是分别运行三行命令，得到这三部分的分析结果。下一步分析流程的输入为上一步分析流程的输出。而grn的输入为一个包含细胞基因表达矩阵的loom文件。想要获得这个loom文件，我们可以先将细胞基因表达矩阵存成一个csv文件，再在python中，将其转化成loom文件。

将细胞基因表达矩阵存成csv文件的代码如下，其关键点在于要对基因表达矩阵进行一个转置。因为我已经在Seurat里进行过初步的分析，就直接将需要用SCENIC分析的细胞存成名为相应的Seurat object，再保存它的基因表达矩阵，这一步在R中完成。

library(Seurat)
library(tidyverse)
load(<Seurat Object位置>)
write.csv(t(as.matrix(<Seurat Object>@assays$RNA@counts)),file = <csv文件位置>)

紧接着，就是将csv文件保存为loom文件，使其能符合grn的输入格式。这一步通过python完成。

import os, sys
os.getcwd()
os.listdir(os.getcwd()) 
import loompy as lp;
import numpy as np;
import scanpy as sc;
x=sc.read_csv(<csv文件位置>);
row_attrs = {"Gene": np.array(x.var_names),};
col_attrs = {"CellID": np.array(x.obs_names)};
lp.create(<loom文件>,x.X.transpose(),row_attrs,col_attrs);
上述代码中<>中的内容（包括<>）需要替换成自己的数据的相应信息，下同。在得到作为输入的loom文件，以及参考数据hg38__refseq-r80__10kb_up_and_down_tss.mc9nr.feather、hg38__refseq-r80__500bp_up_and_100bp_down_tss.mc9nr.feather、hs_hgnc_tfs.txt、motifs-v9-nr.hgnc-m0.001-o0.0.tbl之后，我们就完成了前期的文件准备工作，可以开始SCENIC的分析。 
SCENIC分析 
pySCENIC的使用还是比较简单，就是通过三行命令依次跑grn、cistarget和AUCell。 
pyscenic grn --num_workers 20 --output <样本名>.adj.tsv --method grnboost2 <loom文件> hs_hgnc_tfs.txt
pyscenic ctx <样本名>.adj.tsv hg38__refseq-r80__10kb_up_and_down_tss.mc9nr.feather hg38__refseq-r80__500bp_up_and_100bp_down_tss.mc9nr.feather --annotations_fname motifs-v9-nr.hgnc-m0.001-o0.0.tbl --expression_mtx_fname <loom文件> --output <样本名>.reg.csv --num_workers 20
pyscenic aucell <loom文件> <样本名>.reg.csv --output <样本名>_SCENIC.loom --num_workers 20 
--num_workers: 多少个线程并行计算 
--output: 输出文件名字 
--method: grn的算法，可以为genie3或grnboost2a 
取决于数据的大小和使用多少计算资源，完成上述三步需要的时间可能在一到几个小时不等。使用上面的参数分析一个10x的数据，除了步骤一花了4个小时，步骤二三都只需要十几分钟。而步骤三的结果文件<样本名>_SCENIC.loom就包含了SCENIC的分析结果。 
在实操过程中，小L在跑步骤二时曾遇到下面的报错：
 ValueError: "/home/linxy29/data/reference/pySCENIC/hg38__refseq-r80__500bp_up_and_100bp_down_tss.mc9nr.feather" is a cisTarget Feather database in Feather v1 format, which is not supported anymore. Convert them with "convert_cistarget_databases_v1_to_v2.py" (https://github.com/aertslab/create_cisTarget_databases/) to Feather v2 format. 
即使是用convert_cistarget_databases_v1_to_v2.py处理之后，也还是会遇到文件格式有问题的报错。这个报错可能和操作系统或者其它东西有关，因为小L安装pySCENIC时，是重新创建了一个新的conda环境，应该不存在版本问题。更换服务器后，使用相同的步骤和数据，是能够得到最终的结果而不会出现这个报错。 
在得到结果文件之后，我们就可以利用它画出我们需要的图。以下是一个详细的教程： 
http://htmlpreview.github.io/?https://github.com/aertslab/SCENIC/blob/master/Tutorials_JupyterNotebooks/SCENIC_tutorial_2-ExploringOutput.html 
最后，祝大家吃好喝好睡好，科研快乐～ 
[1] https://cloud.tencent.com/developer/article/1854003 
[2] https://scenic.aertslab.org/tutorials/ 
[3] Aibar, Sara, et al. "SCENIC: single-cell regulatory network inference and clustering." Nature methods 14.11 (2017): 1083-1086.
SCENIC（单细胞重组网络推断和聚类）是一种从单细胞RNA序列数据推断基因调控网络和细胞类型的计算方法。
 该方法的描述和一些使用示例可在《。
 当前在R（此存储库）和Python中有SCENIC的实现。 如果您不太喜欢使用R，我们建议您检查一下SCENIC（其中包含Nextflow工作流程）和Python / Jupyter笔记本，以轻松运行SCENIC （强烈建议您批量运行SCENIC或更大的数据集）。 然后，可以在R，Python或SCope（Web界面）中浏览任何实现的输出。
 有关在R运行SCENIC的更多详细信息和安装说明，请参阅以下教程：
 这些示例的输出位于：  :
 常见问题：
2021/03/26：
2020/06/26：
 该SCENICprotocol包括Nextflow工作流程，并pySCENIC笔记本现在正式发布。 有关详细信息
pyscenic
micromamba activate SCpip install pyscenic -i https://mirrors.aliyun.com/pypi/simple/
安装docker
需要有root权限或者在docker的用户组
#1.Update the apt package index and inst
				单细胞论文
这个 repo 是 Pachter Lab 阅读小组的论文和笔记的集合。
 到目前为止，这是一些单细胞 RNA-Seq (scRNA-Seq) 论文的非详尽列表。 粗体的论文是我稍微偏向于覆盖的论文。 这些论文包括分析方法、协议、评论和应用。
2015年
2014年
使用单细胞 RNA-seq 重建远端肺上皮的谱系层次
单细胞 RNA-seq 突出了原发性胶质母细胞瘤的瘤内异质性
单细胞 RNA-seq 揭示哺乳动物细胞中动态、随机的单等位基因表达
单细胞 RNA-seq 揭示细胞变异的动态旁分泌控制
单细胞 RNA 测序揭示 T 辅助细胞从头合成类固醇有助于免疫稳态
具有独特分子标识符的定量单细胞 RNA-seq
 2013年
解释单细胞 RNA-seq 实验中的技术噪音
从单细胞 RNA 测序数据推断随机基因表达的动力学
单细胞RNA测序揭示人类和小鼠早期胚胎的遗
				scFunctions
 Florian Wuennemann的单细胞数据分析功能集合。 主要对Seurat对象进行操作。 有关Seurat和对象结构的更多信息，请参见 。
使用devtools install_github函数安装软件包，如下所示： 
 library(devtools)
install_github("FloWuenne/scFunctions")
SCENIC功能
您可以在此[tutorial]中找到有关如何使用此软件包中的功能来进一步处理和分析SCENIC结果的指南）：
 Scenic 场景描述语言的编译器和场景生成器。 请参阅以获取安装说明，以及有关 Scenic 语言、其实现及其与各种模拟器的接口的教程和其他信息。
 有关该语言及其一些应用的描述，请参阅，它扩展了我们的（注意：自以来，Scenic 的语法略有变化，并且添加了许多功能，例如支持动态场景；这些在预印本中进行了描述）。 Scenic 由 Daniel J. Fremont、Edward Kim、Tommaso Dreossi、Shromona Ghosh、Xianyu Yu、Alberto L. Sangiovanni-Vincentelli 和 Sanjit A. Seshia 设计和实施。
 如果您在使用 Scenic 时遇到任何问题，请向提交问题或通过联系 Daniel。
 存储库的组织方式如下：
 src/scenic目录包含正确的包；
 examples目录中有很多 Sce
				优美的风景
Scenic View是一个JavaFX应用程序，旨在使您可以轻松了解应用程序场景图的当前状态，并且还可以轻松地操作场景图的属性，而无需继续编辑代码。 这样一来，您就可以查找错误，并使像素完美无缺，而无需执行“编译-检查-编译”操作。
适用于Windows，Linux和MacOS的JDK 11的构建是由Azure Pipelines构建的。 这些构建的状态如下所示：
下载JDK 11
Linux
您还可以下载平台无关的发行版和 。
Java版本
Scenic View有针对JDK 8，JDK 9和JDK 11的版本：
 JDK 8版本处于维护模式。 没有积极的开发正在进行中，并且代码存在于jdk8分支中。
 不建议使用JDK 9版本，建议开发人员使用JDK 8版本或JDK 11版本。
 JDK 11版本是积极开发的分支，并且代码存在于m
				当然，很高兴为您提供相关信息。单细胞水平的可变剪接分析通常使用单细胞RNA测序（scRNA-seq）来完成。您可以使用以下步骤来进行分析：
1. 样品收集：采集需要分析的细胞样品
2. 单细胞分离：使用技术如流式细胞术，将样品分离为单个细胞
3. RNA提取：使用RNA提取试剂盒提取细胞中的RNA
4. 标准化：使用标准化技术，将不同的细胞RNA数量归一化
5. scRNA-seq：对标准化的RNA进行scRNA-seq测序
6. 可变剪接分析：对scRNA-seq数据进行分析，以确定每个细胞中某基因的可变剪接情况
7. 可视化：使用软件如Cell Ranger，Seurat等，对分析结果进行可视化
如果您需要更详细的资料，您可以阅读以下文献：
1. Buenrostro, JD., et al. (2015) "Single-cell RNA-seq reveals changes in cell state upon treatment of chronic lymphocytic leukemia." Nat Biotechnol 33(7):741-747.
2. Zhang, F., et al. (2018) "Massively parallel digital transcriptional profiling of single cells." Nat Commun 9(1):1299.
希望这些资料能够帮助您。