fibroblasts和smooth muscle cells在你的单细胞数据集差异明显吗

我们做肿瘤研究的单细胞数据，一般来说会选择初步很粗狂的定义大的细胞亚群，比如我常用的 第一次分群是通用规则是：

  • immune (CD45+,PTPRC),
  • epithelial/cancer (EpCAM+,EPCAM),
  • stromal (CD10+,MME,fibo or CD31+,PECAM1,endo)

然后绝大部分文章都是抓住免疫细胞亚群进行细分，包括淋巴系（T,B,NK细胞）和髓系（单核，树突，巨噬，粒细胞）的两大类作为第二次细分亚群。

但是也有不少文章是抓住stromal 里面的fibo 和endo进行细分，并且编造生物学故事的。但是，在真实单细胞数据分析里面，你会惊讶的发现，stromal 里面并不是只有fibo 和endo哦，还可以有smooth muscle cells和percite这两个细胞亚群。

比如2018的文章：《Single-Cell Transcriptional Profiling Reveals CellularDiversity and Intercommunication in the Mouse Heart》 ，它的数据在 E-MTAB-6173 ，可以下载后进行深度分析！

文章是三年前发表的，那个时候的单细胞亚群的生物学命名还是比较原始的手段，需要大量阅读文章，比如研究者：We identified 12 distinct cell clusters expressing known markers of major cell types (Figures 1B and 1C).

可以看到，是大量参考文献，拿到了常见的单细胞亚群的标记基因，所以有如下所示的常规细胞亚群：

可以看到各个细胞亚群的非常特异的基因，如下所示的展示：

这样的展示方式算是比较常规的啦，属于以前我们做的投票：可视化单细胞亚群的标记基因的5个方法，下面的5个基础函数相信大家都是已经烂熟于心了：

  • VlnPlot(pbmc, features = c("MS4A1", "CD79A"))
  • FeaturePlot(pbmc, features = c("MS4A1", "CD79A"))
  • RidgePlot(pbmc, features = c("MS4A1", "CD79A"), ncol = 1)
  • DotPlot(pbmc, features = unique(features)) + RotatedAxis()
  • DoHeatmap(subset(pbmc, downsample = 100), features = features, size = 3)

文末友情推荐

如果你也学习R语言也有困难，那么你值得拥有下面的学习班：

赞 (0)

相关推荐