scenic

0 contribuabili

Utilizatorii care au contribuit la acest fișier

---
titlu: "Running SCENIC"
subtitrare: SCENIC (inferență rețea și reglare de celule cu celule unice)
ieșire:
html_document:
number_sections: nu
toc: da
toc_float: da
css: corectat.css
rezultate: țineți
html_notebook:
toc: da
document_pdf:
toc: da
bibliografie: referințe.bib
vinietă:>
% \ VignetteIndexEntry
% \ VignetteEncoding
% \ VignetteEngine
---
"
# Suprimați încărcarea mesajelor atunci când creați codul HTML
suppressPackageStartupMessages (
bibliotecă (SCENIC)
bibliotecă (AUCell)
bibliotecă (RcisTarget)
bibliotecă (SCopeLoomR)
bibliotecă (KernSmooth)
bibliotecă (BiocParallel)
bibliotecă (ggplot2)
bibliotecă (data.table)
bibliotecă (grilă)
bibliotecă (ComplexHeatmap)
>)
opțiuni (lățime = 200)
# Pentru a crea un raport personalizat, actualizați acest director de lucru:
knitr: opts_knit $ set (root.dir = "SCENIC_mouseBrain")
"
* Vignetă construită pe formatul `r (Sys.time (),"% b% d,% Y ")` cu SCENIC ** versiunea `r packageVersion (" SCENIC ")` * **.
# Flux de lucru SCENIC
Acest tutorial parcurge pașii din ** fluxul de lucru SCENIC **:
Construirea ** rețelei de reglementare a genei (GRN) **:
1. Identificați potențiale ținte pentru fiecare TF pe baza coexprimării.
- Filtrarea matricei de expresie și rularea GENIE3/GRNBoost.
- Formatarea țintelor din GENIE3/GRNBoost în module de coexpresie.
2. Selectați potențiale ținte cu legare directă (reguloni) pe baza analizei ADN-motiv (* RcisTarget *: analiza motiv TF)
Identificați ** stările celulare ** și regulatorii lor:
3. Analiza activității rețelei în fiecare celulă individuală (* AUCell *)
- Reglarea scorurilor în celule (calculați ASC)
- Opțional: convertiți activitatea de rețea în ON/OFF (matrice de activitate binară)
4. Identificați stările celulare stabile pe baza activității rețelei lor de reglare a genei (grupare celulară) și explorând rezultatele.
Pentru a începe acest tutorial, ar fi trebuit să citiți vigneta „Introducere și configurare” (`vignette („ SCENIC_Setup ”)`) și să executați pașii de configurare.
## Lista de comenzi
Aceasta este o prezentare generală a principalelor comenzi utilizate pentru a rula fluxul de lucru SCENIC.
(Pentru a fi folosit ca foaie de trăsături sau șablon, nu este exhaustiv).
Comenzile sunt explicate în secțiunile următoare.
"
# ## Incarca date
loomPath system.file (package = "SCENIC", "examples/mouseBrain_toy.loom")
bibliotecă (SCopeLoomR)
loom open_loom (loomPath)
exprMat get_dgem (război)
cellInfo get_cell_annotation (război)
close_loom (război)
# ## Inițializați setările
bibliotecă (SCENIC)
scenicOptions initializeScenic (org = "mgi", dbDir = "cisTarget_databases", nCores = 10)
# scenicOptions @ inputDatasetInfo $ cellInfo
saveRDS (scenicOptions, file = "int/scenicOptions.Rds")
# ## Rețea de coexpresie
gene Pastrat geneFiltering (exprMat, scenicOptions)
exprMat_filtered exprMat [genesKept,]
runCorrelation (exprMat_filtered, scenicOptions)
exprMat_filtered_log log2 (exprMat_filtered + 1)
runGenie3 (exprMat_filtered_log, scenicOptions)
# ## Construiește și notează GRN
exprMat_log log2 (exprMat + 1)
scenicOptions @ settings $ dbs scenicOptions @ settings $ dbs ["10kb"] # Setări rulare jucărie
scenicOptions runSCENIC_1_coexNetwork2modules (scenicOptions)
scenicOptions runSCENIC_2_createRegulons (scenicOptions, coexMethod = c ("top5perTarget")) # Setări rulare jucărie
scenicOptions runSCENIC_3_scoreCells (scenicOptions, exprMat_log)
# Opțional: Binarizați activitatea
# aucellApp
# Salvat selecții
# praguri noi
# scenicOptions @ fileNames $ int ["aucell_thresholds", 1]
# saveRDS (newThresholds, file = getIntName (scenicOptions, "aucell_thresholds"))
scenicOptions runSCENIC_4_aucell_binarize (scenicOptions)
tsneAUC (scenicOptions, aucType = "AUC") # alege setări
# Export:
# saveRDS (cellInfo, file = getDatasetInfo (scenicOptions, "cellInfo")) # Temporar, pentru a adăuga la război
export2loom (scenicOptions, exprMat)
# Pentru a salva starea curentă sau orice modificare a setărilor, salvați din nou obiectul:
saveRDS (scenicOptions, file = "int/scenicOptions.Rds")
# ## Explorarea rezultatului
# Verificați fișierele din dosarul „ieșire”
# Răsfoiți fișierul .loom de ieșire @ http://scope.aertslab.org
# output/Step2_MotifEnrichment_preview.html în detaliu/subset:
motifEnrichment_selfMotifs_wGenes loadInt (scenicOptions, "motifEnrichment_selfMotifs_wGenes")
tableSubset motifEnrichment_selfMotifs_wGenes [highlightTFs == "Sox8"]
viewMotifs (tableSubset)
# output/Step2_regulonTargetsInfo.tsv în detaliu:
regulonTargetsInfo loadInt (scenicOptions, "regulonTargetsInfo")
tableSubset regulonTargetsInfo [TF == "Stat6" & highConfAnnot == TRUE]
viewMotifs (tableSubset)
# Regulatoare specifice tipului de celulă (RSS):
regulonAUC loadInt (scenicOptions, "aucell_regulonAUC")
rss calcRSS (AUC = getAUC (regulonAUC), cellAnnotation = cellInfo [colnames (regulonAUC), "CellType"],)
rss Plot plotRSS (rss)
plotly: ggplotly (rssPlot $ plot)
"
# Directoare
În timpul acestui flux de lucru vom salva mai multe fișiere. Pentru a le menține ordonate, vă recomandăm să setați directorul de lucru într-un folder nou.
De exemplu:
"
dir.create ("SCENIC_MouseBrain")
setwd ("SCENIC_MouseBrain") # Sau `knitr: opts_knit $ set (root.dir = 'example_results/SCENIC_MouseBrain')` în primul bloc dacă rulează un notebook
"
Principalele ieșiri ale scenicului sunt stocate într-un „fișier de loom”, în folderul „output”,
care include, de asemenea, câteva parcele și rapoarte generate automat, pe care le puteți utiliza pentru a avea o imagine de ansamblu asupra rezultatelor.
În plus, unele fișiere intermediare/temporare vor fi salvate în folderul `int`,
cu un prefix numerotat pentru a le menține în ordine.
Puteți utiliza aceste fișiere pentru a verifica detalii despre fiecare pas sau pentru a rula din nou părți ale analizei cu setări diferite.
# Intrare
## Matrice de expresie
Intrarea pentru SCENIC este o matrice de expresie ARN-seq cu o singură celulă (cu simbolul genei ca „nume de nume”, a se vedea vigneta `(„ SCENIC_Setup ”)` pentru detalii). Primul pas este să încărcați această matrice.
Pentru acest tutorial oferim un exemplu de jucărie doar 200 de celule și „
loomPath system.file (package = "SCENIC", "examples/mouseBrain_toy.loom")
"
"
# Acest exemplu de jucărie este un subset al setului de date creierul mouse-ului celular 3005 de Zeisel și colab.:
download.file („http://loom.linnarssonlab.org/clone/Previous%20Published/Cortex.loom”, „Cortex.loom”)
loomPath "Cortex.loom"
"
Deschideți fișierul de țesut și încărcați matricea de expresie (și adnotarea celulei, dacă este disponibilă)
"
bibliotecă (SCopeLoomR)
loom open_loom (loomPath)
exprMat get_dgem (război)
cellInfo get_cell_annotation (război)
close_loom (război)
slab (exprMat)
"
## Informații celulare/fenodate
La Pasul 3-4 (notarea GRN și gruparea), este interesant să comparați rezultatele cu informații cunoscute despre celule.
Puteți indica deja ce variabile să trasați și le puteți atribui o culoare specifică (altfel una va fi atribuită automat).
"
# cellInfo $ nGene 0)
head (cellInfo)
cellInfo data.frame (cellInfo)
cbind (tabel (cellInfo $ CellType))
dir.create ("int")
saveRDS (cellInfo, file = "int/cellInfo.Rds")
"
"
# Culoare de atribuit variabilelor (același format ca și pentru NMF: aheatmap)
colVars list (CellType = c ("microglia" = "forestgreen",
"endotelial-mural" = "oranj închis",
"astrocytes_ependymal" = "magenta4",
"oligodendrocytes" = "hotpink",
"interneuroni" = "roșu3",
"piramidal CA1" = "skyblue",
"SS piramidal" = "albastru închis"))
colVars $ CellType colVars $ CellType [intersect (names (colVars $ CellType), cellInfo $ CellType)]
saveRDS (colVars, file = "int/colVars.Rds")
complot.new (); legendă (0, 1, fill = colVars $ CellType, legendă = nume (colVars $ CellType))
"
# Inițializați setările SCENIC
Pentru a păstra setări consistente pe mai mulți pași ai SCENIC, majoritatea funcțiilor din pachetul SCENIC utilizează un obiect comun în care sunt stocate opțiunile pentru rularea curentă. Acest obiect înlocuiește „argumentele” pentru majoritatea funcțiilor și ar trebui creat la începutul unei rulări SCENIC cu funcția `initializeScenic ()` .
Setările implicite ar trebui să fie valabile pentru majoritatea analizelor. Parametrii care trebuie specificați în toate rulările sunt organismul (`mgi` pentru mouse,` hgnc` pentru om sau „dmel` pentru fly) și directorul în care sunt stocate bazele de date RcisTarget (puteți crea un link în directorul curent pentru a evita duplicarea acestora, de ex. în linux: `system (" ln -s

  • Copiați liniile
  • Copiați legătura permanentă
  • Vezi git blame
  • Referință în noul număr

  • Contactați GitHub
  • Prețuri
  • API
  • Instruire
  • Blog
  • Despre

Nu puteți efectua acțiunea în acest moment.

V-ați conectat cu o altă filă sau fereastră. Reîncărcați pentru a reîmprospăta sesiunea. V-ați deconectat într-o altă filă sau fereastră. Reîncărcați pentru a reîmprospăta sesiunea.