单细胞测序数据分析实战教程（六）：组间差异分析及可视化

2023-12-22 11:31:18

单细胞测序：组间差异分析的终极指南

简介

单细胞测序 (scRNA-seq) 技术彻底改变了我们研究细胞异质性的方式。通过对单个细胞进行测序，scRNA-seq 揭示了复杂的细胞群落及其相互作用的细微差别。然而，从这些海量数据中提取有意义的信息需要强大的分析工具。组间差异分析就是这样一种工具，它使我们能够识别不同细胞群或样本之间的差异性表达基因，从而揭示潜在的生物学机制和疾病通路。

组间差异分析

1. 数据准备

在开始差异分析之前，确保你的数据已经过质量控制和归一化处理。将不同的组（例如，细胞类型、处理条件）的数据分别存放在不同的文件中。

2. 选择差异分析方法

常用的单细胞差异分析方法包括：

DESeq2： 适合处理具有高变异性的数据
edgeR： 基于负二项分布模型，适合低丰度数据
MAST： 一种基于马尔可夫链蒙特卡罗抽样的方法，适用于具有复杂分组结构的数据

根据你的数据特征选择适合的方法。

3. 执行差异分析

根据所选方法执行差异分析。使用适当的软件包（例如，R 中的 DESeq2 包）并按照其文档进行操作。指定要比较的组并设置统计参数。

差异可视化

1. 火山图

火山图是一种展示差异表达基因的可视化工具。它将基因的 -log10(调整后 p 值) 绘制在 y 轴上，基因的 log2(倍数变化) 绘制在 x 轴上。显著差异的基因位于火山图的顶部或底部。

2. 热图

热图显示了不同组中基因表达水平的差异。它将基因分组并按表达水平着色。热图可以揭示基因表达模式和组间差异。

3. t-SNE 图

t-SNE（t 分布随机邻域嵌入）是一种降维技术，可以将高维数据投影到二维或三维空间中。它可以帮助可视化不同细胞群或样本之间的关系和差异。

实例：健康细胞与癌细胞的差异分析

为了演示差异分析，让我们以一个实例为例。假设我们有一个包含健康细胞和癌细胞的 scRNA-seq 数据集。我们可以使用 DESeq2 进行组间差异分析并绘制火山图和热图。

# 导入 DESeq2 库
library(DESeq2)

# 创建 DESeq 数据集
dds <- DESeqDataSetFromMatrix(countData, colData(countData), design = ~condition)

# 运行 DESeq
dds <- DESeq(dds)

# 提取结果
results <- results(dds)

# 创建火山图
plot <- volcanoPlot(results)

# 创建热图
heatmap <- heatmap.2(as.matrix(results), show_row_names = FALSE, show_column_names = FALSE)