小鼠和人类动脉粥样硬化中独特的SMC衍生细胞

生信技能树jimmy

发布于 2024-05-31 21:20:03

610

发布于 2024-05-31 21:20:03

文章概述

文章标题：《Single-Cell Genomics Reveals a Novel Cell State During Smooth Muscle Cell Phenotypic Switching and Potential Therapeutic Targets for Atherosclerosis in Mouse and Human》

发表日期和杂志：2020年发表在Circulation上

在线阅读链接：https://doi.org/10.1161%2FCIRCULATIONAHA.120.048378

单细胞实验设计

研究背景

动脉粥样硬化是一种慢性炎症性血管疾病，其特征是动脉壁内脂质的积累和平滑肌细胞（SMCs）的表型转换。

SMCs在斑块发展、进展和稳定性中起着核心作用，通过去分化、迁移和转分化为其他细胞类型的过程。

单细胞实验设计

为了阐明SMC转分化的轨迹并确定疾病的分子治疗靶点，结合了小鼠和人类动脉粥样硬化斑块的SMC命运图谱和单细胞RNA测序（scRNA-seq）进行分析

单细胞转录组数据

文章的单细胞测序方法以及数据和分析流程全部放在了附件里面：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8104264/bin/NIHMS1638788-supplement-Supplemental_Publication_Material.pdf

小鼠单细胞数据链接是：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE155513

GSM4705592_RPS003_matrix.txt.gz 6.9 Mb
GSM4705593_RPS004_matrix.txt.gz 6.0 Mb
GSM4705594_RPS011_matrix.txt.gz 5.1 Mb
GSM4705595_RPS012_matrix.txt.gz 2.7 Mb
GSM4705596_RPS007_matrix.txt.gz 9.8 Mb
GSM4705597_RPS008_matrix.txt.gz 5.0 Mb
GSM4705598_RPS001_matrix.txt.gz 11.4 Mb
GSM4705599_RPS002_matrix.txt.gz 5.0 Mb
GSM4705600_RPS017_matrix.txt.gz 6.9 Mb
GSM4705601_RPS018_matrix.txt.gz 4.0 Mb
GSM4705602_RPS013_matrix.txt.gz 7.6 Mb
GSM4705603_RPS014_matrix.txt.gz 3.3 Mb
GSM4705604_RPS015_matrix.txt.gz 8.2 Mb
GSM4705605_RPS016_matrix.txt.gz 4.4 Mb

人类单细胞数据链接是：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE155512

GSM4705589_RPE004_matrix.txt.gz 6.8 Mb
GSM4705590_RPE005_matrix.txt.gz 9.1 Mb
GSM4705591_RPE006_matrix.txt.gz 6.1 Mb

提供的是txt.gz格式的文件，所以使用fread函数读取即可，后续因为要把两个数据整合到一起，所以我们先分别将人和小鼠的数据走基本分析流程，然后根据Harmony后的RDS数据进行合并

具体内容可以参考如何整合多个单细胞数据集

dir='GSE155513_RAW/' 
samples=list.files( dir )
samples
sceList = lapply(samples,function(pro){ 
  # pro=samples[1] 
  print(pro)  
  ct=fread(file.path( dir ,pro),data.table = F)
  ct[1:4,1:4]
  rownames(ct)=ct[,1]
  colnames(ct) = paste(gsub('_CountMatrix.txt.gz','',pro),
                       colnames(ct) ,sep = '_')
  ct=ct[,-1] 
  sce =CreateSeuratObject(counts =  ct ,
                          project =  pro  ,
                          min.cells = 5,
                          min.features = 300 )
  return(sce)
}) 


do.call(rbind,lapply(sceList, dim))

sce.all=merge(x=sceList[[1]],
              y=sceList[ -1 ],
              add.cell.ids = samples  ) 

names(sce.all@assays$RNA@layers)
sce.all[["RNA"]]$counts 
# Alternate accessor function with the same result
LayerData(sce.all, assay = "RNA", layer = "counts")
sce.all <- JoinLayers(sce.all)
dim(sce.all[["RNA"]]$counts )