降维

37. 降维#

37.1. 动机#

表面蛋白标记的特征矩阵若以原始表格形式呈现，人很难直接看懂。因此，我们借助低维嵌入，把 ADT 通常可视化到二维空间中。我们对 ADT 数据所采用和推荐的方法，与转录组数据并无不同。前面提到的、通过 t-SNE 和 UMAP 等方法所得可视化的所有局限性，同样适用于 ADT 数据。

ADT 数据一般不需要任何复杂的特征选择，因为这些特征早在实验设计阶段就已先验地（a priori）选定。所有选定的 ADT 都应对应于生物学上相关的特征。不过，大型数据集可能会受益于 PCA，把数据集从几百个特征降到少数几个主成分。如果计算资源有限，这样做尤其值得推荐。

在本章及随后的两章中，我们决定聚焦于 ADT 数据，而不使用该研究的 RNA 数据。在配对整合一章中，我们将探索如何联合使用这两种模态，从而能够进行更详细的细胞类型注释。

37.2. 环境设置#

import warnings

import muon as mu
import scanpy as sc

warnings.filterwarnings("ignore")
mu.set_options(pull_on_update=False)
sc.settings.verbosity = 0
sc.set_figure_params(
    dpi=80,
    facecolor="white",
    frameon=False,
)

import lamindb as ln

ln.track()

→ found notebook dimensionality_reduction.ipynb, making new version
→ created Transform('liGMVGre4G5H0004', key='dimensionality_reduction.ipynb'), started new Run('2jUW2z0ijgULitLv') at 2026-04-10 17:28:52 UTC
→ notebook imports: lamindb-core==2.3.1 muon==0.1.7 scanpy==1.12
• recommendation: to identify the notebook across renames, pass the uid: ln.track("liGMVGre4G5H")

37.3. 加载数据#

我们载入上一章双细胞检测末尾保存的 MuData 对象：

af = ln.Artifact.connect("theislab/sc-best-practices").get(
    key="surface-protein/cite_doublet_detection.h5mu", is_latest=True
)
mdata = af.load()
mdata

MuData object with n_obs × n_vars = 117951 × 36741
  var:	'gene_ids', 'feature_types'
  2 modalities
    rna:	117951 x 36601
      obs:	'donor', 'batch'
      var:	'gene_ids', 'feature_types'
    prot:	117951 x 140
      obs:	'donor', 'batch', 'n_genes_by_counts', 'log1p_n_genes_by_counts', 'total_counts', 'log1p_total_counts', 'n_counts', 'outliers', 'doublets_markers'
      var:	'gene_ids', 'feature_types', 'n_cells_by_counts', 'mean_counts', 'log1p_mean_counts', 'pct_dropout_by_counts', 'total_counts', 'log1p_total_counts'
      uns:	'doublets_markers_colors'
      layers:	'counts'

我们删除包含原始数据的计数层，因为我们不再需要了。

del mdata["prot"].layers["counts"]

同型对照不包含任何生物学信息，因为它们唯一的用途就是用于 dsb 归一化，参见归一化节。因此，我们可以把它们从我们的数据中删除。

mdata["prot"].var.index[:50]

Index(['CD86-1', 'CD274-1', 'CD270', 'CD155', 'CD112', 'CD47-1', 'CD48-1',
       'CD40-1', 'CD154', 'CD52-1', 'CD3', 'CD8', 'CD56', 'CD19-1', 'CD33-1',
       'CD11c', 'HLA-A-B-C', 'CD45RA', 'CD123', 'CD7-1', 'CD105', 'CD49f',
       'CD194', 'CD4-1', 'CD44-1', 'CD14-1', 'CD16', 'CD25', 'CD45RO', 'CD279',
       'TIGIT-1', 'Mouse-IgG1', 'Mouse-IgG2a', 'Mouse-IgG2b', 'Rat-IgG2b',
       'CD20', 'CD335', 'CD31', 'Podoplanin', 'CD146', 'IgM', 'CD5-1', 'CD195',
       'CD32', 'CD196', 'CD185', 'CD103', 'CD69-1', 'CD62L', 'CD161'],
      dtype='object')

isotype_controls = ["Mouse-IgG1", "Mouse-IgG2a", "Mouse-IgG2b", "Rat-IgG2b"]
temp = (
    mdata["prot"].var.loc[~mdata["prot"].var.index.isin(isotype_controls), :].index
)  # Select all proteins except isotype controls.

现在我们实际上从数据中删除了同型对照。

mu.pp.filter_var(data=mdata["prot"], var=temp.tolist())

数据中不再包含同型对照。

mdata["prot"].var.index[:50]

Index(['CD86-1', 'CD274-1', 'CD270', 'CD155', 'CD112', 'CD47-1', 'CD48-1',
       'CD40-1', 'CD154', 'CD52-1', 'CD3', 'CD8', 'CD56', 'CD19-1', 'CD33-1',
       'CD11c', 'HLA-A-B-C', 'CD45RA', 'CD123', 'CD7-1', 'CD105', 'CD49f',
       'CD194', 'CD4-1', 'CD44-1', 'CD14-1', 'CD16', 'CD25', 'CD45RO', 'CD279',
       'TIGIT-1', 'CD20', 'CD335', 'CD31', 'Podoplanin', 'CD146', 'IgM',
       'CD5-1', 'CD195', 'CD32', 'CD196', 'CD185', 'CD103', 'CD69-1', 'CD62L',
       'CD161', 'CD152', 'CD223', 'KLRG1-1', 'CD27-1'],
      dtype='object')

mdata["prot"]

AnnData object with n_obs × n_vars = 117951 × 136
    obs: 'donor', 'batch', 'n_genes_by_counts', 'log1p_n_genes_by_counts', 'total_counts', 'log1p_total_counts', 'n_counts', 'outliers', 'doublets_markers'
    var: 'gene_ids', 'feature_types', 'n_cells_by_counts', 'mean_counts', 'log1p_mean_counts', 'pct_dropout_by_counts', 'total_counts', 'log1p_total_counts'
    uns: 'doublets_markers_colors'

37.4. 主成分分析（PCA）和 UMAP#

由于我们的数据集相当大（136 种表面蛋白），现在可以用 PCA 来降低数据的维度。

sc.pp.pca(mdata["prot"], svd_solver="arpack", random_state=0)

我们绘制一张肘部图（elbow plot），以决定使用多少个主成分（PC）：

sc.pl.pca_variance_ratio(mdata["prot"], n_pcs=50)

../_images/52f7ceefdd1cce64fd030ef52423409651fead4ad0930078665f5787ffe57854.png

我们使用 20 个 PC，因为第 1–20 个 PC 捕获了数据中的大部分方差，而第 20–50 个 PC 捕获的方差很小，因此可以舍弃。现在，我们计算一个邻域图和一个 UMAP 嵌入，以可视化该研究的各个变量。

sc.pp.neighbors(mdata["prot"], n_pcs=20, random_state=0)

sc.tl.umap(mdata["prot"], random_state=0)

现在，我们已经把数据压缩到二维，可以用它来做可视化。我们先来可视化并评估是否存在批次效应，也就是不同供体、不同批次是否形成各自独立的聚类。

sc.pl.umap(mdata["prot"], color=["donor", "batch"])

../_images/91d552ebd8b02f5aa952200a4575311116aa8c901f2b1a8305c019882970f341.png

我们确实看到，一些供体形成了独立的聚类，批次也形成了独立的聚类。因此，看来有必要进行批次校正。为确认这一点，我们绘制 CD4 和 CD8 T 细胞的标记：

sc.pl.umap(mdata["prot"], color=["CD4-1", "CD8", "CD3"])

../_images/773aa42a05f0d5b4ac92f0e4e85fd474ba76f60904e2b34dad6e5f85b1f95315.png

CD4 T 细胞碎裂成一个个供体特异的小聚类，也就是说，这些细胞是按供体身份、而不是按细胞类型聚在一起的。理想情况下，来自所有供体的 CD4 T 细胞，无论源自哪位供体，都应聚在一起。这种由供体驱动的分离是一种批次效应，必须在下游分析之前加以校正。

af_dimensionality_reduction = ln.Artifact.from_mudata(
    mdata,
    key="surface-protein/cite_dimensionality_reduction.h5mu",
    description="CITE-seq data after dimensionality reduction",
)
af_dimensionality_reduction.save()

ln.finish()

37.5. 参考文献#

37.6. 贡献者#

我们衷心感谢以下人员的贡献：

37.6.1. 作者#

Javier Marchena-Hurtado
Daniel Strobl
Ciro Ramírez-Suástegui

37.6.2. 审阅者#

Lukas Heumos
Anna Schaar

降维

目录