monocle3读取数据

生信喵

一、读入数据
       软件支持多种方式的数据读入，可以直接读入 10x genomics 官方软件 Cell Ranger 的结果，也可以使用 Seurat 质控过后的结果，还可以单独读入矩阵，细胞信息，基因信息文件。还可以处理一些较大类型的稀疏矩阵对象。
读入的数据为一个 cell_data_set 类，这个类继承自 SingleCellExperiment 类，基本操作也是类似的。主要包含三部分，
       expression_matrix ：表达矩阵，行为基因，列为细胞 barcode；
       cell_metadata：是一个数据框，行为细胞，列是细胞的属性，比如细胞类型、培养环境、培养时间等，可以包含很多行，后面注释信息也可以添加到新行里。
       gene_metadata：同样是一个数据框，行为feature信息，也就是基因名，基因名可以是GeneID，symbols 等。要注意基因 ID 类型；列是基因属性这个数据框中必须有这么一列：`gene_short_name`，其中保存基因名。

二、读入 10x genomics 数据
       Monocle3 提供 load_cellranger_data 函数，可以直接读取 10x 数据，读取 Cell Ranger 分析结果目录，注意目录结构不要修改，可以删除一些不要的数据。也可以使用 load_mm_data函数分析读取每个文件。

1. #10x 数据目录 ：
   
2. 10x_data/outs/filtered_feature_bc_matrix/{features.tsv.gz,barcodes.tsv.gz,matr
   
3. ix.mtx.gz}

复制代码

      读取文件。

1. #设置工作目录；
   
2. rm(list = ls())
   
3. #方法一：直接读取 10x 目录
   
4. cds <- load_cellranger_data("10xdata/")
   
5. #方法二：分别读取三个文件
   
6. path10x <- "run_count_1kpbmcs/outs/filtered_feature_bc_matrix/"
   
7. cds <- load_mm_data(mat_path = paste0(path10x,"matrix.mtx.gz"),
   
8. feature_anno_path = paste0(path10x,"features.tsv.gz"),
   
9. cell_anno_path = paste0(path10x,"barcodes.tsv.gz"))
   

复制代码

三、分别读取
       如果有矩阵，细胞信息，基因信息三个文件，也可以直接读取，生成 cell_data_set (CDS) 对象。

1. #方法三：创建cell_data_set
   
2. # Load the data
   
3. getwd()
   
4. expression_matrix <- readRDS("monocle3/celegans/cao_l2_expression.rds")
   
5. cell_metadata <- readRDS("monocle3/celegans/cao_l2_colData.rds")
   
6. gene_annotation <- readRDS("monocle3/celegans/cao_l2_rowData.rds")
   
7. 
   
8. 
   
9. # Make the CDS object
   
10. cds <- new_cell_data_set(expression_matrix,
    
11.                          cell_metadata = cell_metadata,
    
12.                          gene_metadata = gene_annotation)

复制代码

四、读取 Seurat 结果
       如果是 Seurat，可以直接导入 Seurat 中进行分析，需要从 Seurat 对象分别提取出矩阵，细胞和 cell 三个文件，然后创建 new_cell_data 对象。

1. library(SeuratObject)
   
2. pbmc <- readRDS("../pbmc3k.rds")
   
3. class(pbmc)
   
4. expression_matrix <- GetAssayData(pbmc, assay ='RNA', slot = 'counts')
   
5. cell_metadata <- pbmc@meta.data
   
6. gene_annotation <-data.frame(gene_short_name = rownames(expression_matrix))
   
7. rownames(gene_annotation) <-rownames(expression_matrix)
   
8. cds <- new_cell_data_set(expression_matrix,cell_metadata =cell_metadata, gene_metadata =gene_annotation)

复制代码