【文献重复】如何证明肿瘤相关巨噬细胞是两面派?

在上次的推文中,我们介绍了肿瘤相关巨噬细胞呈现出一种M1和M2亚型的混合状态,有小伙伴要问了,这个结论真的是一种普遍规律吗?会不会是一种偶然现象?

的确,如果你是做基础研究的,尤其是做巨噬细胞研究的,仅仅靠一份数据很难相信这样一种过于颠覆传统的认知。可能你已经做了好几年肿瘤相关巨噬细胞研究了,可以接受M1和M2的极化模型,也可以接受M1和M2之间有多种细胞类型的异质化模型,但一时间还无法接受M1和M2共存在同一个细胞上的模型。因为从潜意识里我们认为M1和M2之间的关系类似于水和火,常言道水火不容啊,怎么可能共存呢?

因此,我们找到了一篇发表在cell上的乳腺癌单细胞文献,他也得出来了这个结论:M1和M2是可以共存的。

image-20200424193111978.png
image-20200424193203849.png

俗话说:耳听为虚,眼见为实。因此,我们尝试使用自己的数据来重复一下这个结论。

此处所用的数据是GSE103322,是一份头颈部鳞状细胞癌的数据,具体可见上次的介绍:单细胞转录组分析肿瘤异质性

options(stringsAsFactors=FALSE)
library(scater)
library(scran)
library(stringr)
library(reshape2)
library(plyr)

####################################################################
#读取数据,简单整理
raw_tpm_file <- "./HNSCC_all_data.txt"
tmp_data <- read.table(raw_tpm_file,head=T,sep="\t",row.names=1,quote="\'",stringsAsFactors=F)

tumor <- sapply(str_split(colnames(tmp_data),"_"),function(x) x[1])
tumor <- str_sub(tumor,-2,-1)
tumor <- paste0("MEEI",str_replace(tumor,"C",""))
table(tumor)

cell_type <- as.character(tmp_data[5,])
malignant <- as.character(tmp_data[3,]) == "1"
cell_type[malignant] <- "Malignant"
cell_type[cell_type==0] <- "Unknow"
table(cell_type)

cell_type[cell_type =="-Fibroblast"]<-"Fibroblast"
table(cell_type)

col_data <- data.frame(tumor=tumor,cellType=cell_type,
lymph=as.integer(tmp_data[2,]),
row.names=colnames(tmp_data))
#移除注释,构建表达矩阵
remove_rows <- c(1,2,3,4,5)
all_data <- tmp_data[-remove_rows,]

####################################################################
#过滤细胞数较少的样本和细胞类型
all_data <- data.matrix(all_data)

all_data[1:6,1:6]
ncol(all_data)
nrow(all_data)
all_data=all_data[apply(all_data,1, function(x) sum(x>0) > ncol(all_data)/2),]
nrow(all_data)

sce <- SingleCellExperiment(
assays = list(exprs=all_data),
colData = col_data
)

table(sce$tumor)

sce<-sce[,!sce$cellType == "Unknow"]

nontumor_stats <- table(sce$cellType)
nontumor_select <- names(nontumor_stats)[nontumor_stats>=50]
selected_nontumor_sce <- sce[,sce$cellType %in% nontumor_select]

tumor_sample_stats <- table(sce$tumor)
tumor_sample_select <- names(tumor_sample_stats)[tumor_sample_stats>=200]
selected_sce <- sce[,sce$tumor %in% tumor_sample_select]

table(selected_sce$tumor)
table(selected_sce$cellType)

selected_tumor_sce <- selected_sce[,selected_sce$cellType=="Malignant"]
selected_nontumor_sce <- selected_sce[,selected_sce$cellType!="Malignant"]

####################################################################
#选择巨噬细胞
table(selected_sce$cellType)
Macrophage <- selected_sce[,selected_sce$cellType == "Macrophage"]
dim(assay(Macrophage))

#以下基因纯手工整理。
M1_marker<-c("IL12","IL23","IL12","TNF","IL6","CD86","MHCII","IL1B","MARCO","iNOS",
             "IL12","CD64","CD80","CXCR10","IL23","CXCL9","CXCL10","CXCL11",
             "CD86","IL1A","IL1B","IL6","TNFa","MHCII","CCL5","IRF5","IRF1","CD40",
             "IDO1","KYNU","CCR7","CD45","CD68","CD115","HLA-DR","CD205","CD14")

M2_marker<-c("ARG1","ARG2","IL10","CD32","CD163","CD23","CD200R1","PD-L2","PDL1",
             "MARCO","CSF1R","CD206","IL1RN","IL1R2","IL4R","CCL4","CCL13","CCL20",
             "CCL17","CCL18","CCL22","CCL24","LYVE1","VEGFA","VEGFB","VEGFC","VEGFD",
             "EGF","CTSA","CTSB","CSTC","CTSD","TGFB1","TGFB2","TGFB3","MMP14","MMP19",
             "MMP9","CLEC7A","WNT7B","FASL","TNFSF12","TNFSF8","CD276","VTCN1","MSR1",
             "FN1","IRF4","CD45","CD68","CD115","HLA-DR","CD205","CD14")

#只剩4个了,可见基因常用名和通用名经常不一致。
M1_marker<-M1_marker[M1_marker%in%rownames(Macrophage)]
M1_marker

#只剩7个基因了。
M2_marker<-M2_marker[M2_marker%in%rownames(Macrophage)]
M2_marker

M1_sce<-Macrophage[M1_marker,]
M1_assay<-assay(M1_sce)
M1_expression<-colSums(M1_assay)/4

M2_sce<-Macrophage[M2_marker,]
M2_assay<-assay(M2_sce)
M2_expression<-colSums(M2_assay)/7

result<-as.data.frame(cbind(M1_expression,M2_expression)) 
cor.test(result[,1],result[,2])

library(ggpubr)
p<-ggscatter(result,x="M1_expression", y="M2_expression",
add = "reg.line", conf.int = T,cor.coef = T)
ggsave("M1_M2_expression.pdf",p,width=4,height=3)

M1_M2_expression.jpg

从以上结果来看,p值小于0.05,确实有统计学意义,然而相关系数不大,考虑我们的标志物过滤太多,或者我们使用的细胞过少,至少M1与M2应该是正相关,而非负相关关系。因此,我们大致还原了文献中的结论。若想要更加精确的结果,可以尝试换一个巨噬细胞数量较多的数据集或者将大多数基因名换成HUGO注释哦。

(0)

相关推荐

  • 鼻咽癌患者肿瘤部位和外周血的单细胞组成差异

    在单细胞大行其道的近两年,我也安排了学徒们做了几百个有表达量矩阵可以下载的单细胞转录组文献图表复现,挑选其中100个成功的案例,提供代码给大家,希望对大家有帮助! 100个单细胞转录组图表复现 今天要 ...

  • 不同物种肾脏常驻巨噬细胞候选基因表达标签的确定

    当你的才华还撑不起你的野心时,请潜下心来,脚踏实地,跟着我们慢慢进步.不知不觉在单细胞转录组领域做知识分析也快两年了,通过文献速递这个栏目很幸运聚集了一些小伙伴携手共进,一起成长. 文献速递栏目通过简 ...

  • 浸润性导管和小叶乳腺癌细胞的单细胞转录组异质性

    考虑到咱们生信技能树粉丝对单细胞数据挖掘的需求,我开通了一个专栏<100个单细胞转录组数据降维聚类分群图表复现>,也亲自示范了几个,不过自己带娃,读博,时间精力有限,所以把剩余的90多个任 ...

  • CCA 和 Harmony在整合pbmc3k和pbmc5k的效果比较

    挖掘到了一个段子手学徒,总是给我惊喜.把枯燥无味的知识点讲解的让人捧腹大笑! 下面是2021八月份学徒的投稿 单细胞的多组对照设计(例如正常组与给药组)可以为细胞类型水平比较提供以往Bulk RNA- ...

  • 不同的麻醉与镇痛方式对危重症患者免疫功能和血清肿瘤标记物含量的影响

        本公众号每天分享一篇最新一期Anesthesia & Analgesia等SCI杂志的摘要翻译,敬请关注并提出宝贵意见 Effects of different methods of ...

  • 动脉粥样硬化斑块的单细胞CITE-seq数据分析

    考虑到咱们生信技能树粉丝对单细胞数据挖掘的需求,我开通了一个专栏<100个单细胞转录组数据降维聚类分群图表复现>,也亲自示范了几个,不过自己带娃,读博,时间精力有限,所以把剩余的90多个任 ...

  • ggplot2实现分半小提琴图绘制基因表达谱和免疫得分

    最近看到很多人问下面这个图怎么绘制,看着确实不错.于是我查了一些资料,这个图叫split violin或者half violin,本质上是一种小提琴图.参考代码在https://gist.github ...

  • 单细胞层面解析TNFα通过Hippo信号通路参与肝癌发生

    考虑到咱们生信技能树粉丝对单细胞数据挖掘的需求,我开通了一个专栏<100个单细胞转录组数据降维聚类分群图表复现>,也亲自示范了几个,不过自己带娃,读博,时间精力有限,所以把剩余的90多个任 ...

  • 肿瘤相关巨噬细胞研究进展

    肿瘤微环境中,免疫细胞的浸润活化是大多数肿瘤恶化的标志之一.肿瘤相关巨噬细胞 (Tumor-Associated Macrophages,TAMs)作为众多肿瘤浸润免疫细胞中最重要的亚群之一, 在免疫 ...

  • Seurat4.0系列教程11:使用sctransform

    单细胞RNA-seq数据中的生物异质性经常受技术因素(包括测序深度)影响.每个细胞中检测到的分子数量在细胞之间可能显著变化,即使在相同的细胞类型内也是如此.对 scRNA-seq 数据的解释需要有效的 ...

  • 散发性双侧肾透明细胞癌细胞分子特征的scRNA-seq鉴定

    考虑到咱们生信技能树粉丝对单细胞数据挖掘的需求,我开通了一个专栏<100个单细胞转录组数据降维聚类分群图表复现>,也亲自示范了几个,不过自己带娃,读博,时间精力有限,所以把剩余的90多个任 ...

  • seurat标准流程实例之2个10x样本的项目(GSE135927数据集)

    学徒和学员已经陆续出师,是时候把生信技能树的舞台交给后辈了! 下面是<上海中医药大学研究生>的分享 前面jimmy老师分享了两个祖传的单细胞转录组数据分析代码,非常给力,是标准流程: 祖传 ...

  • CNS图表复现05—免疫细胞亚群再分类

    回顾 我们的CNS图表复现之旅已经开始,前面4讲是: CNS图表复现01-读入csv文件的表达矩阵构建Seurat对象 CNS图表复现02-Seurat标准流程之聚类分群 CNS图表复现03-单细胞区 ...

  • 这也能画?

    有意思的图片 其实就是一个单细胞的降维聚类分群,特殊之处在于它出现了一个能被人类想象力丰富起来的造型,所以就有了左边他们全体实验室自己摆pose并且着装不同颜色衣服的模拟. 非常的形象,理论上这样的单 ...

  • 构建seurat对象之初就应该是把基因名字转换好

    看到单细胞转录组测序数据的文献:<Single-cell sequencing links multiregional immune landscapes and tissue-resident ...

  • 单细胞亚群合并与提取(2021公开课配套笔记)

    新课发布在B站了,马上有热心的粉丝看完后写了配套笔记: 下面是粉丝linbo的笔记投稿 前言 视频地址:https://www.bilibili.com/video/BV19Q4y1R7cu 一般来讲 ...

  • 小样本量单细胞肿瘤数据分析模范

    考虑到咱们生信技能树粉丝对单细胞数据挖掘的需求,我开通了一个专栏<100个单细胞转录组数据降维聚类分群图表复现>,也亲自示范了几个,不过自己带娃,读博,时间精力有限,所以把剩余的90多个任 ...