单细胞分析前期很重要的一步是细胞类型注释，这一步看似很简单，有时候做起来却是最耗时的一步。如果数据很好，用经典的或者文献里的marker很轻松就可以定义出细胞类型，此时这一步可以说是易如反掌。但若是marker在数据中不好使，那看似简单的事情做起来也就不简单了。

此时，最容易想到的办法是扩大范围，使用更多的marker，利用数据库便顺利成章。利用所有可能的marker将clsuter与数据库中的细胞类型对应起来，即是手动注释的第一步。cluster的marker里面出现最多的细胞类型应该就是细胞群的身份。从代码实现的角度来说，就是各cluster的marker与数据库各细胞类型的marker两两求交集，然后以marker重叠数量的多少作为判断细胞类型的依据。虽然原理不复杂，但有时候还挺有用。

这个方法自己分析单细胞项目时经常用，所以写了函数方便每次做这个事情。但后来发现居然有人为此写了一个R包easybio，为了方便使用包里面的函数和可视化，所以据此改写函数。比如，包可以将cluster与CellMarker2数据库做匹配，很方便地获得各cluster对应的细胞类型及marker。但作者采用的方式是将数据库封装到包里面，降低了扩展性，比如数据库是否有更新，不方便使用其他数据库。

为了提升通用性，改写了一下函数，提前准备好数据即可。使用数据库最重要的是marker和细胞类型，无论使用哪个数据库提前准备好这两个信息即可，列名分别为：marker、cell_name。

head(marker)
                p_val avg_log2FC pct.1 pct.2     p_val_adj cluster    gene
CD14    1.086367e-143   3.340479 1.000 0.136 2.796743e-139       0    CD14
S100A12 5.457276e-136   3.092504 0.990 0.137 1.404921e-131       0 S100A12
VCAN    8.175862e-135   3.171629 1.000 0.166 2.104794e-130       0    VCAN
LGALS2  4.906484e-124   3.025258 0.917 0.108 1.263125e-119       0  LGALS2
S100A9  5.231927e-124   3.499215 1.000 0.252 1.346907e-119       0  S100A9
CD36    1.881132e-119   2.879678 0.985 0.177 4.842785e-115       0    CD36

head(db)
      marker cell_name
1       CYGB CD34+ CLP
2        ADA CD34+ CLP
3     UMODL1 CD34+ CLP
4 AC125603.1 CD34+ CLP
5       AGPS CD34+ CLP
6      TRBVB CD34+ CLP

source('manual_annotation.r')

res <- matchdb(marker, db, n=50)
head(res)
   cluster           cell_name uniqueN     N
    <fctr>              <char>   <int> <int>
1:       0          Neutrophil      28    28
2:       0 Immature-Neutrophil       4     4
3:       0           CD34+ HSC       1     1
4:       0          Eosinophil       1     1
5:       0        Erythroblast       1     1
6:       0    Granulocytic-UNK       1     1
                                                          ordered_symbol
                                                                  <list>
1: AC004921.1,AC009506.1,AC022098.3,AC097504.2,AC116667.1,AL391832.3,...
2:                                            FCGR1A,FLVCR2,NLRP3,TMEM51
3:                                                                 PPM1H
4:                                                                  FMN1
5:                                                               ALDH1A1
6:                                                              SIGLEC12
            orderN                               markerWith
            <list>                                   <list>
1: 1,1,1,1,1,1,... S100A9,CD14,FOLR3,STAB1,PLA2G7,ASGR2,...
2:         1,1,1,1               FCGR1A,NLRP3,TMEM51,FLVCR2
3:               1                                    PPM1H
4:               1                                     FMN1
5:               1                                  ALDH1A1
6:               1                                 SIGLEC12

然后，利用可视化函数查看结果，直接从图上来看cluster与细胞类型的对应关系：

library(easybio)

plotPossibleCell(res[, head(.SD), by = cluster], min.uniqueN = 2)

如此便可以很轻松地从图上可以看出cluster最有可能属于哪一个细胞类型。顺带也修改了check_marker、get_marker、plotSeuratDot三个函数，以能够适应自己提供的数据，方便做一些检验。

checkmk(marker, db, c(4, 9), topcellN=1)
$`Natural killer cell`
[1] "NCAM1"  "GNLY"   "NKG7"   "FCGR3A" "KLRF1"

$Megakaryocyte
[1] "PPBP"   "PF4"    "ITGA2B" "TUBB1"  "MYL9"

getmk(db, c('Natural killer cell',  'Megakaryocyte'), number=6)
$`Natural killer cell`
[1] "NCAM1"  "GNLY"   "NKG7"   "FCGR3A" "KLRF1"  "KLRD1"

$Megakaryocyte
[1] "PPBP"   "PF4"    "ITGA2B" "TUBB1"  "MYL9"   "GP9"

p <- plotdot(obj, c(4, 9), marker, db, topcellN=2)
p$clusters_9

现在写这样的函数并不难，只要能够描述清楚需求，借助大模型可以很轻松地写出相应的代码。但如果懒得自已弄了，不想花时间去倒腾和验证代码，可以后台回复manual_annotation获取。