跳到主要内容

模块07：多模态数据分析

本模块介绍如何整合和分析多模态单细胞数据，包括 CITE-seq、ASAP-seq 等技术。

学习目标​

  • 理解多模态单细胞技术
  • 整合 RNA 和蛋白质数据
  • 整合 RNA 和 ATAC 数据
  • 多模态数据可视化

多模态技术概览​

CITE-seq​

  • 同时测量 RNA 和表面蛋白
  • 使用抗体偶联寡核苷酸标签

ASAP-seq​

  • 同时测量 RNA 和染色质可及性
  • 结合 scRNA-seq 和 scATAC-seq

10x Multiome​

  • 官方多组学平台
  • RNA + ATAC 同时测量

使用 Seurat 分析 CITE-seq​

library(Seurat)

# 读取数据
cbmc <- Read10X("filtered_feature_bc_matrix/")

# 创建对象（包含 RNA 和 ADT）
cbmc <- CreateSeuratObject(counts = cbmc$`Gene Expression`)
cbmc[["ADT"]] <- CreateAssayObject(counts = cbmc$`Antibody Capture`)

# RNA 分析
DefaultAssay(cbmc) <- "RNA"
cbmc <- NormalizeData(cbmc)
cbmc <- FindVariableFeatures(cbmc)
cbmc <- ScaleData(cbmc)
cbmc <- RunPCA(cbmc)

# ADT 分析
DefaultAssay(cbmc) <- "ADT"
cbmc <- NormalizeData(cbmc, normalization.method = "CLR", margin = 2)
cbmc <- ScaleData(cbmc)
cbmc <- RunPCA(cbmc, reduction.name = "apca")

# 加权最近邻（WNN）分析
cbmc <- FindMultiModalNeighbors(
  cbmc, 
  reduction.list = list("pca", "apca"),
  dims.list = list(1:30, 1:18)
)

cbmc <- RunUMAP(cbmc, nn.name = "weighted.nn", reduction.name = "wnn.umap")
cbmc <- FindClusters(cbmc, graph.name = "wsnn", resolution = 0.5)

# 可视化
DimPlot(cbmc, reduction = "wnn.umap", label = TRUE)

参考资源​