其中第一层次降维聚类分群后给出来了合理的生物学命名，详见：肿瘤单细胞转录组的第一层次降维聚类分群， 整体来说这个复现的代码在百度云分享给大家：链接：https://pan.baidu.com/s/1niFqyAiUU3yXK1W26b8RvQ?pwd=nbmj
如下所示：
合理的生物学命名
然后，因为文章是针对里面的上皮细胞进行细致的挖掘，所以我们也是如此的演示一下哈：
提取感兴趣亚群子集
值得注意是我们依赖于这个V4的版本的Seurat流程做出来了大量的公共数据集的单细胞转录组降维聚类分群流程，100多个公共单细胞数据集全部的处理，链接：https://pan.baidu.com/s/1MzfqW07P9ZqEA_URQ6rLbA?pwd=3heo
代码语言：javascript复制sce.all.int = readRDS('../../2-harmony/sce.all_int.rds')
colnames(sce.all.int@meta.data)
table(sce.all.int$RNA_snn_res.0.8)
load('../../phe.Rdata')
sce.all.int@meta.data =phe
table(sce.all.int$celltype)
# 取子集
sce.all=sce.all.int[,sce.all.int$celltype=='epi']
sce.all=CreateSeuratObject(
counts = sce.all@assays$RNA@counts,
meta.data = sce.all@meta.data
)
as.data.frame(sce.all@assays$RNA@counts[1:10, 1:2])
head(sce.all@meta.data, 10)
table(sce.all@meta.data$orig.ident)
提取的子集通常是我们会把它重新制作成为了一个几乎是空白的Seurat对象。
继续降维聚类分群和命名
是否整合取决于你的研究目标，如果你想研究的是肿瘤内部异质性（ITH），一般来说是针对每个个体进行NMF等找关键基因列表，然后汇总。
但是如果想研究的是队列，那么就可以把这些上皮细胞harmony整合，然后区分正常细胞和恶性细胞后，看不同上皮细胞亚群的临床意义，比如这个文章就是如此。
继续降维聚类分群和命名的复现的代码在百度云分享给大家：链接：https://pan.baidu.com/s/1niFqyAiUU3yXK1W26b8RvQ?pwd=nbmj
肿瘤单细胞转录组独特的拷贝数分析
需要把这些上皮细胞harmony整合，然后区分正常细胞和恶性细胞后，这个时候跑的是inferCNV流程，详见：肿瘤单细胞转录组拷贝数分析结果解读和应用
