微生信分享 http://blog.sciencenet.cn/u/chinapubmed 0代码在线绘制160+科研图

博文

【CELL】compass利用单细胞转录组+流平衡分析预测细胞代谢状态,促进免疫细胞代谢研究

已有 1457 次阅读 2022-12-14 20:36 |系统分类:科研笔记

细胞代谢调控正常细胞功能以及多种疾病状态的病理生理。最近,免疫细胞代谢研究(immunometabolism)成为一个研究热点,揭示了包括抗病毒免疫、自身免疫和抗肿瘤反应在内的炎症代谢调节。然而,由于代谢网络的规模和复杂性,某个代谢的扰动(perturbation)能够产生级联效应(cascade effects)并改变代谢网络中看似较远的部分或者让经典通路弯道超车。因此,需要在系统水平上观测特定反应/酶,以理解代谢及其在疾病中的异常调控。在CELL文章《Metabolic modeling of single Th17 cells reveals regulators of autoimmunity》中作者提出了一种基于单细胞RNA测序和流平衡分析(flux balance analysis)描述细胞代谢状态的算法 – compasshttps://github.com/YosefLab/Compass)。

流平衡分析(flux balance analysis)将代谢网络拓扑学和化学计量学知识翻译成数学对象,并用在代谢流预测上。提供了一种非常有用的场景:根据单细胞基因表达谱或者传统RNA-seq基因表达谱研究细胞的代谢异质性。

fig1.jpg 

1. COMPASS算法

如图1所示,使用单细胞转录组(Th17p细胞和Th17n细胞)和代谢模型作为COMPASS的输入,经过流平衡分析,找到了两群细胞间异常的代谢通路(图2)及相关的反应/酶,并进行了分子和功能验证,以及小鼠体内验证。

fig2.jpg 2.4个差异通路

 

如图2所示:左上:糖酵解通路(Glycolysis)在Th17p细胞中更加活跃(反应/酶几乎都分布在虚线右侧);右上:三羧酸循环(TCA cycle)中大部分反应/酶在Th17p细胞中更活跃。左下:脂肪酸氧化的3个酶在Th17n细胞中更活跃;右下:氨基酸代谢中,丝氨酸羟甲基化转移酶在Th17p细胞中更活跃,而精氨酸脱羧酶在Th17n细胞中更活跃。

看到这里,大家应该对文章有了基本的理解。细胞代谢网络太复杂,难以研究,然而我们手上不是有现成的一堆单细胞/bulk RNA-seq的表达数据么,我们可以通过大量样品和严格的假设检验以酶的mRNA表达为桥梁来研究细胞代谢,将基因表达-代谢反应/酶活性-细胞代谢状态联系起来。例如我们知道了某反应在癌细胞中活跃,就可以通过抑制剂阻断(或者平衡)这个反应,改变免疫细胞的代谢状态,从而达到治疗癌症的目的。

1.安装

Compass是用python编写的,需要python 3环境,numpyscipymatplotlib等包。

由于计算量太大,还需要一个IBM CPLEX Optimization Studio优化器(学术用户可以注册下载,注意版本)

conda python3环境

pip install numpy, scipy, matplotlib

下载IBM CPLEX Optimization Studio(需要学术版)

./xxx.bin 装到software目录(自己指定),一路enter或者yes

cd /home/software/CPLEX_Studio129/cplex/python/3.6/x86-64_linux

python setup.py install

python -m pip install git+https://github.com/yoseflab/Compass.git --upgrade

compass -h 测试安装是否成功

2.运行

输入:表达矩阵(tpmcpm等,一个基因一行,一个样品一列),单细胞的话配上genessample文件。运行速度很慢,可以多线程加速

fig3.png                                                                           3. Expression.csv输入

 

compass --data expression.csv --num-processes 10 --species homo_sapiens (常规转录组)

compass --data-mtx expression.mtx genes.tsv sample_names.tsv --num-processes 10 --lambda 0.25 --species homo_sapiens  (单细胞)

3.结果

运行完上面的命令后,会在当前目录生成reaction.csv文件(4)。其中的值是反应罚分(reaction penalties),高得分表示该反应的可能性较低。

fig4.png                                                                       4. reaction.csv输出

4. 后处理

步骤3获得的是每个反应在每个样品中的反应罚分,我们需要根据Recon2 meta信息(图5)将A列的反应编码转成人们可读的代谢通路名字,将反应罚分进行转化(转成数值大的表示反应活性高,加1,取-log,然后使用wilcoxon或者Cohen’d进行差异分析。

fig5.png                                                                          5. 后处理需要的3个文件

fig6.png                                             6. 最终结果表格,根据这个表格寻找更兴趣的反应/代谢,绘图

各列说明:

Areaction编码, “_pos” 表示化学反应往右侧,“_neg”表示反应向左侧

B/C/Ewilcoxon统计结果

Dcohens_dcohen’s d用于计算两组均值差异的效应量, d = 0.2(效果小) ; d = 0.5(效果中) ; d = 0.8(效果大)。供参考

Freaction编码

Greaction名字

Hreaction公式

I:相关基因

Jreaction所处的subsystem(例如酪氨酸代谢)

E:酶的EC

L:置信度, 4 = most confident; 0 = unassigned confidence

注:1,由于单细胞计算量非常大,作者提供了一个micropooling脚本,将细胞划分为簇,以簇的平均值代表这类细胞,然后进行分析。

2You may also apply Compass to bulk transcriptome data sets (e.g. bulk RNA-seq or microarray data sets) if there are enough observations (samples) to gain statistical power。可以用在常规转录组,甚至芯片数据集上

有单细胞测序数据、常规转录组测序数据、芯片数据、代谢组数据的小伙伴可以试试这款软件。又打开了一个新的免疫代谢相关发文思路

微生信助力高分文章,用户63000+,引用830+

 

 

 




https://blog.sciencenet.cn/blog-707141-1367902.html

上一篇:在线绘制富集分析多组气泡图和单细胞分析marker基因矩阵气泡图
下一篇:免费在线绘制高颜值,带填充的连贯堆叠柱状图
收藏 IP: 117.135.94.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2023-9-25 02:07

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部