hi 各位，今天周五了，要开会的关系，没有那么多时间准备分享文献了，但是我很想和大家分享这个方法，类似于多组学分析，配受体与TF分析联合起来的网络分析结果，非常有价值（配体，受体，靶基因，TF多层网络结构，非常赞），我们今天就不分享文献了，多关注一下代码,文章在Inferring microenvironmental regulation of gene expression from single-cell RNA sequencing data using scMLnet with an application to COVID-19, 2020年底发表于Briefings in Bioinformatics，影响因子9分。

Introduction

scMLnet是一个R软件包，用于根据单细胞RNA-seq表达数据构建细胞间/细胞内多层信号交换网络。 scMLnet通过基于细胞类型特异性基因表达，先验网络信息和统计推断，整合细胞间途径（配体-受体相互作用）和细胞内子网络（受体-TF途径以及TF-靶基因相互作用），构建多层网络。 scMLnet还可以可视化中央细胞和邻近细胞之间构建的细胞间/细胞内信号通路。

The main steps of the scMLnet algorithm include:

(1) Step1 Constructing Ligand-Receptor subnetwork:

通过获取高度表达的基因（HEG），从scRNA-Seq数据和配体受体数据库定义潜在的配体受体子网。类型A（发送者细胞）中的HEG被视为潜在的配体，类型B（受体细胞）中的HEG被视为潜在的受体。

(2) Step2 Constructing TF-Target gene subnetwork

通过获取HEG和Fisher的精确检验（这个可以参考文章Fisher 精确检验与卡方检验(10X单细胞和10X空间转录组的基础知识)），从scRNA-Seq数据和TF-Target基因数据库中定义了有效的TF-Target基因子网络。 B型HEG被认为是潜在的靶基因。可以从TF-Target基因子网络中推断出激活的TF。

(3) Step3 Constructing Receptor-TF subnetwork

通过Fisher的精确测试从激活的TF和Receptor-TF数据库中定义了有效的Receptor-TF子网。激活的受体可以从TF-Target基因子网络中推断出来。

（4）Step4 constructing multi-layer signaling network

通过在受体与TF，TF和靶基因之间进行相关分析，然后根据共同的受体和TF重叠配体-受体，TF-靶基因，受体-TF子网来定义多层信号网络。（相当赞）。

图片.png

输入和输出

For this tutorial, we will be using scMLnet to construct the multi-layer signaling network between B cells and Secretory cells from scRNA-Seq data of BALF in COVID-19 patients. The expression matrix and annotation of clstuers can be found in the /example folder (or be downloaded from Zenodo) and the prior information about interactions in the /database folder.

library(Seurat)
library(Matrix)
library(parallel)
library(scMLnet)

加载包，Seurat包用于normalizing the raw scRNA-Seq data，the Matrix package is used for transformation between matrix and sparse matrix and the parallel package is used for parallel computation of t.test for screening（后面两步好像Seurat本身就可以完成，Seurat依赖于后两个包，所以有这个功能）。
输入的是We then read a raw scRNA-Seq data with rows as genes (gene symbols) and columns as cells and the gene expression matrix is required as a sparse matrix（原始矩阵）。

 # import sample data
    GCMat <- readRDS("./example/data.Rdata")
    GCMat<- as(GCMat,"dgCMatrix")
    
    # import sample annotation
    BarCluFile <- "./example/barcodetype.txt"
    BarCluTable <- read.table(BarCluFile,sep = "\t",header = TRUE,stringsAsFactors = FALSE)

我们这里以配体为B细胞，受体为Secretory为例

types <- unique(BarCluTable$Cluster)
LigClu <- "B cells"       #types[4]
RecClu <- "Secretory"     #types[8]

参数设置

默认参数设置如下。用户可以提供自己的数据库，其中必须包括三个列：分子A，分子B和密钥（用下划线将A与B连接起来）。分子A和B需要具有清晰的身份（即配体，受体，TF和靶标基因），并且它们之间应存在相互作用（这里我们用本身数据库的就好）。
根据sender细胞和receiver细胞之间基因表达百分比的差异（受pct参数影响）和比率（受logfc参数影响），我们首先在两种细胞中分别定义特定的高表达基因。（这里差异基因的选择我们需要注意）。
sender细胞中高表达的基因被认为是潜在的配体，而receiver细胞中高表达的基因被认为是潜在的受体和靶基因。我们通过在数据库中搜索配体-受体对来筛选潜在的配体-受体相互作用。然后，我们通过Fisher精确检验（受pval参数限制）筛选潜在的受体-TF，TF-Target基因相互作用。（构建这个网络信息，很重要）。

 pval <- 0.05
 logfc <- 0.15
 LigRecLib <- "./database/LigRec.txt"
 TFTarLib <- "./database/TFTargetGene.txt"
 RecTFLib <- "./database/RecTF.txt"

Construction of Multi-layer Signaling Networks

获得高表达基因的运行时间取决于两种类型细胞中基因表达的t检验。并行执行t检验可以提高scMLnet的性能（前提：已安装并行软件包）。

netList <- RunMLnet(GCMat, BarCluFile, RecClu, LigClu, 
                        pval, logfc, 
                        LigRecLib, TFTarLib, RecTFLib)
###这个函数没有其他的参数

Save and Visualization of Multi-layer Signaling Networks

输出netList是由连接每个上游层和下游层（即Ligand_Receptor，Receptor_TF和TF_Gene子网络）的基因对组成的列表。信令子网作为数据帧对象返回，其结构与示例数据库相同。

workdir <- "sample"
DrawMLnet(netList,LigClu,RecClu,workdir,PyHome,plotMLnet = T)

图片.png

Construction of Multi-cellular Multi-layer Signaling Networks

import data

GCMat <- readRDS("./example/data.Rdata")
GCMat<- as(GCMat,"dgCMatrix")

# import annotation
BarCluFile <- "./example/barcodetype.txt"
BarCluTable <- read.table(BarCluFile,sep = "\t",header = TRUE,stringsAsFactors = FALSE)

## get LigClu
LigClus <- unique(BarCluTable$Cluster)
LigClus <- LigClus[-grep("Secretory|Doublets",LigClus)]

## creat MLnet
netList <- list()
for(ligclu in LigClus){
  
  #sender cell and receiver cell
  LigClu <- ligclu
  RecClu <- "Secretory"
  
  name <- paste(strsplit(LigClu,split = "\\W")[[1]][1],RecClu,sep = "_")
  
  #main
  netList[[name]] <- RunMLnet(GCMat,BarCluFile,RecClu,LigClu)
  
}

## save output and plot MLnet
workdir <- "multi-cellular"
for (name in names(netList)) {
  
  #scMLnet output
  MLnetList <- netList[[name]]
  print(paste0(name,":"))
  
  #sender cell and receiver cell
  LigClu <- strsplit(name,"_")[[1]][1]
  RecClu <- strsplit(name,"_")[[1]][2]
  
  #main
  PyHome <- "D:/Miniconda3/envs/R36/python.exe" #for Window
  DrawMLnet(MLnetList,LigClu,RecClu,workdir,PyHome,plotMLnet = T)
  
}

图片.png

分析方法相当不错

生活很好，有你更好

10X单细胞通讯分析之scMLnet（配受体与TF，差异基因（靶基因）网络通讯分析）

10X单细胞通讯分析之scMLnet（配受体与TF，差异基因（靶基因）网络通讯分析）

Introduction

The main steps of the scMLnet algorithm include:

(1) Step1 Constructing Ligand-Receptor subnetwork:

(2) Step2 Constructing TF-Target gene subnetwork

(3) Step3 Constructing Receptor-TF subnetwork

（4）Step4 constructing multi-layer signaling network

输入和输出

参数设置

Construction of Multi-layer Signaling Networks

Save and Visualization of Multi-layer Signaling Networks

Construction of Multi-cellular Multi-layer Signaling Networks

import data