scTCR+scRNA | APackOfTheClones - umap坐标下球形展示celltype的clone size

生信补给站

发布于 2024-04-11 16:47:07

1341

发布于 2024-04-11 16:47:07

APackOfTheClones 是2021年的Single-cell analysis pinpoints distinct populations of cytotoxic CD4+ T cells and an IL-10+CD109+ TH2 cell population in nasal polyps文献中的一种克隆型计数分布的可视化方式。通过每个球对应于给定cluster中的一个克隆型，球的大小与celltype中该克隆的细胞数量成正比，且对应的位置与UMAP图近似。

一载入R包，数据

首先下载，载入R包APackOfTheClones 。仍然使用前面免疫组库相关推文的数据，分别（1）使用Seurat的标准流程处理scRNA 和（2）使用 scRepertoire 的标准流程处理 scTCR 数据（3）然后结合scRNA 和 scTCR的数据，详细的分析过程见单细胞免疫组库VDJ| 从零开始scRepertoire分析，解决真实场景中可能的问题

#install.packages("APackOfTheClones")
library(APackOfTheClones)
library(Seurat)
library(scRepertoire) 
library(tidyverse)
library(ggsci) #获取期刊经典颜色
library(scales) #展示颜色

load("combined_seurat_T.RData")
head(seurat_T,2)

二 scRepertoire可视化

使用常规方式在umap图中展示cloneType的信息

colorblind_vector <- colorRampPalette(rev(c("#0D0887FF", "#47039FFF","#7301A8FF", "#9C179EFF", 
                                            "#BD3786FF", "#D8576BFF","#ED7953FF","#FA9E3BFF", 
                                            "#FDC926FF", "#F0F921FF")))

DimPlot(seurat_T, group.by = "cloneType",label = F) +
  scale_color_manual(values=colorblind_vector(5)) +
  theme(plot.title = element_blank())

前文提取出T细胞后，未做分析处理。这里为了后续的展示，先进行T细胞亚群的标准流程

sce.T <- NormalizeData(seurat_T)
sce.T <- FindVariableFeatures(sce.T, selection.method = "vst", nfeatures = 2000)
sce.T <- ScaleData(sce.T)
sce.T <- RunPCA(sce.T, npcs = 20)
#标准流程，参数不变
sce.T <- sce.T %>% 
  RunUMAP(dims = 1:20) %>% 
  FindNeighbors(dims = 1:20) %>% 
  FindClusters(resolution = c(0.05, 0.1)) 
DimPlot(sce.T, group.by = "RNA_snn_res.0.1",label = F)

T细胞的亚群注释，本推文重点不在注释，因此这里就根据meta的信息简单注释下，

Idents(sce.T) <- "RNA_snn_res.0.1"
sce.T <- RenameIdents(sce.T,
                      "0"="CD8A+ Exhausted",
                      "1"="CD4+ Naive", 
                      "2"="CD8A+ Tissue-resident", 
                      "3"= "CD8A+ NK-like", 
                      "4"= "CD4+ Effector", 
                      "5"= "CD8A+ NK-like",
                      "6"= "CD8A+ NK-like", 
                      "7"= "CD4+ Activated IEG", 
                      "8"= "CD8A+ Proliferating",
                      "9"= "CD8A+ NK-like" ,
                      "10"="CD8A+ NK-like"
)
sce.T@meta.data$celltype <- Idents(sce.T)
DimPlot(sce.T, reduction = 'umap', 
        label = T, pt.size = 0.5)

三 APackOfTheClones

通过以上过程得到了scTCR 和 scRNA数据结合在一起的sce.T文件，接下来使用APackOfTheClones进行可视化展示。通过各个cluster/celltype中圈的大小代表clone size的大小。

3.1 默认参数

#不管用
Idents(sce.T) <- "celltype" 
p0 <- vizAPOTC(sce.T, verbose = FALSE)
p0

上述结果表明"CD8A+ Exhausted" 和 "CD8A+ NK-like" 细胞类型中clone 较多。

可以看到即使设置了Idents 还是按照cluster 着色的，通过View(vizAPOTC) 查看函数也未发现可以调整的参数。

注1：后续根据猜测和测试验证，发现vizAPOTC函数会按照seurat_clusters列进行展示 ，暂时使用如下操作进行处理

# 备份原seurat_clusters结果
sce.T$seurat_clusters2 <- sce.T$seurat_clusters
# 将注释结果赋值给 seurat_clusters
sce.T$seurat_clusters <- sce.T$celltype

3.2 图形美化

和期刊发表图相比，可以有以下几个地方可以进一步的调整：（1）标签Clone Sizes 的位置以及数值，（2）线型，大小（3）按照细胞类型着色 。

# vizAPOTC 调整
p1 <- vizAPOTC(sce.T, 
               legend_sizes = c(1,10,50), # 指定Clone Sizes的数值
               add_legend_background = T ,  #是否添加灰色背景
               order_clones = TRUE, #
               legend_text_size = 3, #legend 标签大小
               legend_position = "top right" , #legend的位置 ，可以根据umap的方位进行调整
               try_place = T,
               res = 360L,
               linetype = "blank",
               use_default_theme = TRUE,
               retain_axis_scales = FALSE,
               show_labels = F, # 图中不展示标签
               label_size = 3, #
               verbose = FALSE)
p1
#调整颜色
p11 <- p1 + scale_fill_nejm()
p11

可以看到将注释结果celltype赋值给 seurat_clusters后，现在是按照细胞类型进行着色（也许有更好的方法）。

注2：scale_fill_nejm 颜色顺序和 seurat_clusters的factor顺序不一致。

且#20854EFF的绿色莫名其妙的变成了legend的颜色。

注3：??vizAPOTC 的帮助页有很多的参数，这里只是展示了几个常用的，更多详细说明见官网。

3.3 调整scRNA umap颜色

上面的注2提到颜色顺序的问题，由于vizAPOTC函数包装的比较“严”，这里通过重新定义factor的顺序完成scRNA的颜色修改，使之与clone的颜色一致。（也许有更好的方法）

（1）查看scale_fill_nejm的颜色

# 输出颜色编码
pal_nejm("default")(8)
#[1] "#BC3C29FF" "#0072B5FF" "#E18727FF" "#20854EFF" "#7876B1FF" "#6F99ADFF" "#FFDC91FF" "#EE4C97FF"

# 展示颜色
show_col(pal_nejm("default")(8))

（2）修改factor顺序指定颜色

结合vizAPOTC的颜色和 nejm的颜色代码，重新定义levels 或者对应修改cols的顺序，总之对应好即可。

Idents(sce.T) <- "seurat_clusters"
sce.T$seurat_clusters <- factor(sce.T$seurat_clusters ,
                                levels = c("CD4+ Effector" , "CD8A+ NK-like"  ,
                                           "CD8A+ Tissue-resident" ,
                                           "CD4+ Activated IEG" ,
                                           "CD4+ Naive"  ,
                                           "CD8A+ Exhausted" , 
                                           "CD8A+ Proliferating"))
p2 <- DimPlot(sce.T, reduction = 'umap', 
              cols = c("#BC3C29FF", "#0072B5FF" ,"#E18727FF", 
                        "#7876B1FF" ,"#6F99ADFF", "#FFDC91FF","#EE4C97FF"),
               label = F, pt.size = 0.5 )
p2