相关文章推荐
小百科  ›  单细胞下采样 | Bio Harbor
下采样
淡定的橙子
1 月前

单细胞下采样

发表于 2023-03-02 更新于 2023-03-11

最近做了一些个超大数据集的分析，其中出现了超级大量的问题….除了数据不整洁，找不到直接适用的meta还得自己生成之外，最大的问题，就是数据实在太大了没法跑….有些分析甚至直接能给200G的服务器内存给爆了，总不能什么时候都氪金吧？而且部分方法直接不支持超大量数据或者无法并行的问题。这时候，就需要用到下采样了，理论上如果我们认可自己在细胞聚类和注释这一步中，得到的cluster的纯度，那么，取部分细胞代表整体是很合理的，当然这一步可以用ROGUE工具进行检查，下采样时，除了subset里的downsample参数，和pseudocell聚合间接下采样，或者直接分层抽样，bootstrap抽样等方法之外，还发现了一个专门的工具可以进行下采样： geosketch

这是个python包，但是通过reticulate可以很方便地调用且直接兼容R中的矩阵直接下采样，因而可以在纯R环境下运行： 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
 
#在R中需要调用reticulate使用python环境，py中则可以原生运行
library(reticulate)
library(rsvd)

geosketch <- import('geosketch')

# Generate some random data.
#samples in rows, features in columns
X <- replicate(20, rnorm(1000))

# Get top PCs from randomized SVD.
s <- rsvd(X, k=10)
X.pcs <- s$u %*% diag(s$d)

# Sketch 10% of data.
sketch.size <- as.integer(100)
sketch.indices <- geosketch$gs(X.pcs, sketch.size, one_indexed = TRUE)
print(sketch.indices)

#下采样：
X_sub <- X[unlist(sketch.indices),]

#有点坑啊....试试pbmc3k：
library(Seurat)
library(SeuratData)

sce <- pbmc3k.final

DimPlot(sce)

X <- t(as.matrix(GetAssayData(sce,assay = "RNA",slot = "counts")))

s <- rsvd(X, k=10)
X.pcs <- s$u %*% diag(s$d)

sketch.size <- as.integer(500)
sketch.indices <- geosketch$gs(X.pcs, sketch.size, one_indexed = TRUE)
print(sketch.indices)

#这里技巧是，不需要获取下采样的矩阵，直接获取下采样出来的细胞名就行了
X_sub_cell <- rownames(X)[unlist(sketch.indices)]
sce$BC <- rownames([email protected])

sce.sub <- subset(sce, subset = BC %in% X_sub_cell)

DimPlot(sce) + DimPlot(sce.sub)

table(sce$seurat_annotations)
table(sce.sub$seurat_annotations)

从结果上讲，还真是有点东西！即便对于最少的细胞类型，抽样上也并没有忽略掉…而且在全程分析中并没有使用过CellType这个信息，且没有缺少某种类型，证明这个方法的确比较稳健。经过反复多次尝试，确定基本上这个方法能够照顾到极不均衡数据，不至于出现一下采样直接缺少某种细胞类型的问题。
当然，这么方便的工具不会全无问题，关键就在其中的获取转置矩阵那一步，因为这个工具需要行是细胞，列是基因，还不支持稀疏矩阵，所以消耗上在R里有时候仍然会有问题……但这个包原生是为py开发的，python中，特别是scanpy中，表达矩阵的形式直接就是符合要求的….因而不需要任何转置操作，而且内存消耗极小，看上去python环境刻不容缓啊….

那么，不依托于python，有没有其他的工具呢？

也有，那就是metacell类工具，当然，由于metacell坑爹的开发组，这个工具没法在win平台安装，linux和unix平台都能安装，但metacell的接口写的很晦涩，结果展示做的也不怎么样，因此自然就有大佬感觉不爽，去开发新的工具，那就是 Supercell ，当然严格来说这类工具做的是cell aggregating，但是能够实现和下采样类似的效果，极大减少细胞数量，降低计算开销，以及提升某些分析的准确度：

 
推荐文章
Link管理   ·   51好读   ·   Sov5搜索   ·   小百科
小百科 - 百科知识指南