转录组数据转移和细胞类型注释

转录组数据转移和细胞类型注释#

当我们拥有不同来源或不同条件下的多个数据集时，经常需要在它们之间转移细胞类型标签。Omicverse提供了多种方法来实现这种标签转移。这包括基于参考的方法和无参考的方法。在本教程中，我们将演示如何使用Omicverse将细胞类型注释从一个数据集转移到另一个数据集。

import omicverse as ovimport matplotlib.pyplot as pltimport scanpy as scov.ov_plot_set()

数据准备#

我们将使用两个相关的单细胞RNA-seq数据集来演示标签转移。

rna=sc.read("data/analysis_lymph/rna-emb.h5ad")atac=sc.read("data/analysis_lymph/atac-emb.h5ad")

加载查询数据#

首先，我们加载将接收注释的查询数据集。

import scanpy as sccombined=sc.concat([rna,atac],merge='same')combined

AnnData object with n_obs × n_vars = 68415 × 0
    obs: 'balancing_weight', 'domain'
    var: 'chromStart', 'chromEnd', 'highly_variable'
    obsm: 'X_glue'
    varm: 'X_glue'

combined.obsm['X_mde']=ov.utils.mde(combined.obsm['X_glue'])

加载参考数据#

接下来，我们加载包含已知细胞类型注释的参考数据集。

ov.utils.embedding(combined,               basis='X_mde',               color='domain',                title='Layers',                show=False,                palette=ov.utils.red_color,                frameon='small'               )

<AxesSubplot: title={'center': 'Layers'}, xlabel='X_mde1', ylabel='X_mde2'>
../_images/0064ddafeec792614dc0a1207e4fd07666a956f55d5e3d021c57e22fe1446d80.png

标签转移方法#

我们将演示几种不同的标签转移方法。

# 导入库
import scanpy as sc
import omicverse as ov
# 设置绘图参数
ov.plot_set(font_path='Arial')

<AxesSubplot: title={'center': 'Cell type'}, xlabel='X_mde1', ylabel='X_mde2'>
../_images/898028875ae75727cf4416762bd823cb45e0617bf6742c8e6df19021778ab16f.png

方法1：使用SCVI的标签转移#

SCVI是一种基于变分自编码器的集成方法。

knn_transformer=ov.utils.weighted_knn_trainer(    train_adata=rna,    train_adata_emb='X_glue',    n_neighbors=15,)

Weighted KNN with n_neighbors = 15 ...

labels,uncert=ov.utils.weighted_knn_transfer(    query_adata=atac,    query_adata_emb='X_glue',    label_keys='major_celltype',    knn_model=knn_transformer,    ref_adata_obs=rna.obs,)

finished!

结果评估#

在应用标签转移后，我们评估转移的质量。

atac.obs["transf_celltype"]=labels.loc[atac.obs.index,"major_celltype"]atac.obs["transf_celltype_unc"]=uncert.loc[atac.obs.index,"major_celltype"]

atac.obs["major_celltype"]=atac.obs["transf_celltype"].copy()

# 评估标签转移结果
result = ov.single.Annotation(adata)
result.evaluate(reference_label='cell_type')

[<AxesSubplot: title={'center': 'transf_celltype_unc'}, xlabel='X_umap1', ylabel='X_umap2'>,
 <AxesSubplot: title={'center': 'transf_celltype'}, xlabel='X_umap1', ylabel='X_umap2'>]
../_images/c28acb49fea81e2a43b5f4b016521c24ab8df71d1024b48745ec6c8605f51de0.png

共识注释#

我们还可以使用多种方法的共识来获得更可靠的注释。

import scanpy as sccombined1=sc.concat([rna,atac],merge='same')combined1

AnnData object with n_obs × n_vars = 68415 × 0
    obs: 'major_celltype', 'balancing_weight', 'domain'
    var: 'chromStart', 'chromEnd', 'highly_variable'
    obsm: 'X_glue'
    varm: 'X_glue'

combined1.obsm['X_mde']=ov.utils.mde(combined1.obsm['X_glue'])

可视化结果#

最后，我们可视化转移的细胞类型注释。

ov.utils.embedding(combined1,               basis='X_mde',               color=['domain','major_celltype'],                title=['Layers','Cell type'],                show=False,                palette=ov.palette()[11:],                frameon='small'               )

[<AxesSubplot: title={'center': 'Layers'}, xlabel='X_mde1', ylabel='X_mde2'>,
 <AxesSubplot: title={'center': 'Cell type'}, xlabel='X_mde1', ylabel='X_mde2'>]
../_images/02aeab4c796982ca1bdf515da664e54cadf10a2208b1b4d019462a06cbaf2053.png
目录