交流群有小伙伴表示他自己的单细胞项目还缺一些正常人的PBMC单细胞数据，但是不想耗费资金去招募志愿者抽血做单细胞了，所以求助。
以前我们会推荐 satijalab/seurat-data ，它内置了很多数据集，如果你还没有下面的seurat-data包和pbmc3k对象 ，就自己去下载：
代码语言：javascript复制install.packages('devtools')
devtools::install_github('satijalab/seurat-data')
library(SeuratData) #加载seurat数据集
getOption('timeout')
options(timeout=10000)
InstallData("pbmc3k")
data("pbmc3k")
sce <- pbmc3k.final
但是因为它这个包仍然是在GitHub，所以很多人下载失败， 另外它数据也是在外网，很多人网络有问题无法下载。
但是我随时搜索到了一个包，TENxPBMCData ，蛮有意思的，安装和加载：
代码语言：javascript复制# BiocManager::install('TENxPBMCData') # (286 KB)
library(TENxPBMCData)
args(TENxPBMCData)
因为这个包，TENxPBMCData 并不大，所以它其实也是需要在线下载数据的。目前它有如下所示的10个数据：
- pbmc68k
- frozen_pbmc_donor_a
- frozen_pbmc_donor_b
- frozen_pbmc_donor_c
- pbmc33k
- pbmc3k
- pbmc6k
- pbmc4k
- pbmc8k
- pbmc5k-CITEseq
每个数据集都有自己的代号：
代码语言：javascript复制function (dataset = c("pbmc4k", "pbmc68k", "frozen_pbmc_donor_a",
"frozen_pbmc_donor_b", "frozen_pbmc_donor_c", "pbmc33k",
"pbmc3k", "pbmc6k", "pbmc8k", "pbmc5k-CITEseq"), as.sparse = TRUE)
我们任意选择一个数据集举例说明。
代码语言：javascript复制tenx_pbmc4k <- TENxPBMCData(dataset = "pbmc4k")
tenx_pbmc4k
counts(tenx_pbmc4k)
可以看到，它是SingleCellExperiment对象格式，并不是我们常见的seurat对象哦。而且基因名字还不是常见的symbol，也是需要转换，代码如下所示：
代码语言：javascript复制
ct = as.data.frame( assay(tenx_pbmc4k))
ct[1:4,1:4]
colnames(ct) = 1:ncol(ct)
library(AnnoProbe)
ag=annoGene(rownames(ct),
ID_type = 'ENSEMBL',species = 'human'
)
head(ag)
ag=ag[!duplicated(ag$SYMBOL),]
ag=ag[!duplicated(ag$ENSEMBL),]
pos = match(ag$ENSEMBL,rownames(ct))
ct = ct[pos,]
rownames(ct) = ag$SYMBOL
可以看到，转换前后的差异：
代码语言：javascript复制> ct[1:4,1:4]
V1 V2 V3 V4
ENSG00000243485 0 0 0 0
ENSG00000237613 0 0 0 0
ENSG00000186092 0 0 0 0
ENSG00000238009 0 0 0 0
Warning message:
In annoGene(rownames(ct), ID_type = "ENSEMBL", species = "human") :
2.21% of input IDs are fail to annotate...
> head(ag)
SYMBOL biotypes ENSEMBL chr start end
4 MIR1302-2HG lncRNA ENSG00000243485 chr1 29554 31109
6 FAM138A lncRNA ENSG00000237613 chr1 34554 36081
9 OR4F5 protein_coding ENSG00000186092 chr1 65419 71585
10 AL627309.1 lncRNA ENSG00000238009 chr1 89295 133723
11 AL627309.3 lncRNA ENSG00000239945 chr1 89551 91105
15 AL627309.2 lncRNA ENSG00000239906 chr1 139790 140339
> ct[1:4,1:4]
1 2 3 4
MIR1302-2HG 0 0 0 0
FAM138A 0 0 0 0
OR4F5 0 0 0 0
AL627309.1 0 0 0 0
接下来就使用我很久以前在《生信技能树》公众号的一个教程：这也能画？，提到了一个很无聊的R包，名字是：scRNAstat ，它可以4行代码进行单细胞转录组的降维聚类分群，其实完全没有技术含量， 就是把 Seurat 流程的一些步骤包装成为了4个函数：
- basic_qc (查看数据质量)
- basic_filter （进行一定程度的过滤）
- basic_workflow （降维聚类分群）
- basic_markers（检查各个亚群的标记基因）
代码如下所示；
代码语言：javascript复制
library(scRNAstat)
library(Seurat)
library(ggplot2)
library(clustree)
library(cowplot)
library(dplyr)
sce = CreateSeuratObject(counts = ct)
x='tenx_pbmc4k'
dir.create(x)
sce = basic_qc(sce=sce,org='human',
dir = x)
sce = basic_filter(sce)
sce = basic_workflow(sce,dir = x)
markers_figures <- basic_markers(sce,
org='human',
group='seurat_clusters',
dir = x)
p_umap = DimPlot(sce,reduction = 'umap',
group.by = 'seurat_clusters',
label.box = T, label = T,repel = T)
p_umap markers_figures[[1]]
ggsave(paste0('umap_markers_for_',x,'.pdf'),width = 12)
得到如下所示的图表：
可以看到5群的B细胞，7群的plasma细胞。
而0，1，3，8，6，9，10都是T细胞，可以细分为CD4和CD8，或者细分为naive等，比如文章：https://onlinelibrary.wiley.com/doi/10.1002/ctm2.730，细分单细胞亚群需要更多的基因和生物学背景哦。
T细胞细分
其中2，4，11，12，14都是髓系，而且主要是单核细胞。第13比较奇怪哦，应该是某种DC细胞。
给出这样的生物学名字，需要对上面的基因有一些背景知识哦！需要背诵如下所示各个细胞亚群高表达量基因的列表：
代码语言：javascript复制# T Cells (CD3D, CD3E, CD8A),
# B cells (CD19, CD79A, MS4A1 [CD20]),
# Plasma cells (IGHG1, MZB1, SDC1, CD79A),
# Monocytes and macrophages (CD68, CD163, CD14),
# NK Cells (FGFBP2, FCG3RA, CX3CR1),
# Photoreceptor cells (RCVRN),
# Fibroblasts (FGF7, MME),
# Endothelial cells (PECAM1, VWF).
# epi or tumor (EPCAM, KRT19, PROM1, ALDH1A1, CD24).
# immune (CD45 ,PTPRC), epithelial/cancer (EpCAM ,EPCAM),
# stromal (CD10 ,MME,fibo or CD31 ,PECAM1,endo)
其实这样的基础认知，也可以看基础10讲：
- 01. 上游分析流程
- 02.课题多少个样品，测序数据量如何
- 03. 过滤不合格细胞和基因（数据质控很重要）
- 04. 过滤线粒体核糖体基因
- 05. 去除细胞效应和基因效应
- 06.单细胞转录组数据的降维聚类分群
- 07.单细胞转录组数据处理之细胞亚群注释
- 08.把拿到的亚群进行更细致的分群
- 09.单细胞转录组数据处理之细胞亚群比例比较
最基础的往往是降维聚类分群，参考前面的例子：人人都能学会的单细胞聚类分群注释
