还是分辨率的问题
ixxmu opened this issue · comments
还是分辨率的问题 by 单细胞天地
分享是一种态度
在前段时间的单细胞课程中，有很多代码讲解和单细胞实战分析。其中细胞分群的命名对大家来说应该是比较头大的（至少对于我这种生物背景知识储备少的人来说~），不过如果大家有具体的需要，应该也是会提前了解一些生物背景知识的。写这篇推文是想说明分辨率对命名的影响，也可以结合上周生信技能树的一篇推文看看【我的巨噬细胞少了一个亚群吗，我错了吗】，都是同样的问题。
示例数据用的是ifnb，是一个人类的PBMC（peripheral blood mononuclear cell）样本数据，数据自身也是有注释细胞分群信息的，在seurat_annotations中。
library(SeuratData)
# InstallData('ifnb.SeuratData')
library(ifnb.SeuratData)
data("ifnb")
ifnb
ifnb=UpdateSeuratObject(ifnb)
ifnb
sce.all <- ifnb
table(sce.all$seurat_annotations)
我们将数据经过质控和样本整合后，在不同的分辨率下进行了聚类分群。并且后续通过已知细胞类型的Marker基因，进行细胞分群的命名。课堂上，因为只是大致的命名，所以为了简化，曾老师只用0.1的分辨率的结果进行命名。
命名前的UMAP图如下所示：
命名后的UMAP图如下所示：
然后我们也对比了一下原来的注释，发现大部分都是一致的，左上角都是T cell，最下角都是B cell。但是右上角的部分我们都注释成了mono 单核细胞，而在这个数据原本的注释中（下图红框），有一部分是DC。
其实这个原因是：在0.1分辨率的时候（看第一张命名前的UMAP图），因为分辨率不够，cluster 1 包含了mono和DC。
而在分辨率为0.8的时候，DC这部分就单独为一个cluster了（下图红框）。
小结
关于对单细胞的命名，分析者真的需要根据自己的研究目的来合理选择分辨率的大小。所以大家在注释的时候，多看看不同分辨率的结果哦，至少自己想分析的细胞类型要选择一个可以将其单独聚类出来的分辨率。
如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程
看完记得顺手点个“在看”哦！
长按扫码可关注