10X genomics单细胞数据集探索

其官网公布了非常多的数据集： https://support.10xgenomics.com/single-cell-gene-expression/datasets 只需要简单填写邮箱即可下载，如下：

• Cell Ranger 2.1.0

每一个数据集都公布了原始的fastq数据以及比对好的bam文件，和定量后的表达矩阵以及聚类分析结果，用的是10X genomics公司自己的生物信息学分析流程，Single Cell Gene Expression Dataset by Cell Ranger 2.1.0

1k Brain Cells from an E18 Mouse

Cells from a combined cortex, hippocampus and sub ventricular zone of an E18 mouse.

• 931 cells detected

• Sequenced on Illumina HiSeq2500 with approximately 56,000 reads per cell

• 26bp read1 (16bp Chromium barcode and 10bp UMI), 98bp read2 (transcript), and 8bp I7 sample barcode

• Analysis run with —cells=2000

原始数据非常大，这里就选择上面这个接近1000个小鼠大脑细胞的数据集来测试 Cell Ranger 2.1.0 流程。

直接下载处理好的结果

因为细胞数量较多，哪怕是纯粹的表达矩阵，也很大，我下载了几个准备去探索，如下：

├── [ 76M]  neuron_9k_analysis.tar
├── [112M]  neuron_9k_cloupe.cloupe
├── [284M]  neuron_9k_filtered_gene_bc_matrices.tar
├── [507M]  neuron_9k_raw_gene_bc_matrices.tar
├── [ 67M]  pbmc4k_analysis.tar
├── [ 35M]  pbmc4k_cloupe.cloupe
├── [ 69M]  pbmc4k_filtered_gene_bc_matrices.tar
├── [133M]  pbmc4k_raw_gene_bc_matrices.tar
├── [ 78M]  pbmc8k_analysis.tar
├── [ 63M]  pbmc8k_cloupe.cloupe
├── [143M]  pbmc8k_filtered_gene_bc_matrices.tar
├── [253M]  pbmc8k_raw_gene_bc_matrices.tar
├── [ 58M]  t_4k_analysis.tar
├── [ 29M]  t_4k_cloupe.cloupe
├── [ 60M]  t_4k_filtered_gene_bc_matrices.tar
└── [131M]  t_4k_raw_gene_bc_matrices.tar


下载原始fastq格式的测序数据

这里仍然是下载1k Brain Cells from an E18 Mouse，最小的数据集，做测试用：

├── [237M]  neurons_900_S1_L001_I1_001.fastq.gz
├── [642M]  neurons_900_S1_L001_R1_001.fastq.gz
├── [1.8G]  neurons_900_S1_L001_R2_001.fastq.gz
├── [238M]  neurons_900_S1_L002_I1_001.fastq.gz
├── [646M]  neurons_900_S1_L002_R1_001.fastq.gz
└── [1.8G]  neurons_900_S1_L002_R2_001.fastq.gz


可以看到左右端测序数据大小不一致，而且每次测序是有3个数据，因为26bp read1 (16bp Chromium barcodeand 10bp UMI), 98bp read2 (transcript), and 8bp I7 sample barcode ，只有reads2的fastq里面是真正的转录本序列，另外的两个文件都是barcode！

比对并且定量

可以直接用 Cell Ranger 来做分析，代码如下：

/home/jianmingzeng/biosoft/10xgenomic/cellranger-2.1.0/cellranger count --id=neurons \
--localcores 5 \
--transcriptome=/home/jianmingzeng/biosoft/10xgenomic/db/refdata-cellranger-mm10-1.2.0 \
--fastqs=/home/jianmingzeng/data/public/10x/neurons_900_fastqs   \
--expect-cells=900


得到的结果如下：

├── [ 18M]  cloupe.cloupe
├── [  17]  filtered_gene_bc_matrices
│   └── [  58]  mm10
│       ├── [ 15K]  barcodes.tsv
│       ├── [723K]  genes.tsv
│       └── [ 29M]  matrix.mtx
├── [4.1M]  filtered_gene_bc_matrices_h5.h5
├── [ 680]  metrics_summary.csv
├── [ 96M]  molecule_info.h5
├── [5.4G]  possorted_genome_bam.bam
├── [3.5M]  possorted_genome_bam.bam.bai
├── [  17]  raw_gene_bc_matrices
│   └── [  58]  mm10
│       ├── [ 13M]  barcodes.tsv
│       ├── [723K]  genes.tsv
│       └── [ 70M]  matrix.mtx
├── [ 10M]  raw_gene_bc_matrices_h5.h5
└── [3.2M]  web_summary.html


其中analysis文件夹里面的东西比较多，就不列出了。其中比较占空间的就是比对好的bam文件而已，其它的都可以下载到本地电脑查看。

其中比较重要的就是 filtered_gene_bc_matrices文件夹下面的表达矩阵了，可以直接被R包Seurat读入进行一系列的处理

library(Seurat)
library(dplyr)
library(Matrix)
neurons.data <- Read10X(data.dir = "~/outs/filtered_gene_bc_matrices/mm10/")
# Examine the memory savings between regular and sparse matrices
dense.size <- object.size(x = as.matrix(x = neurons.data))
dense.size
sparse.size <- object.size(x = neurons.data)
sparse.size
dense.size / sparse.size
neurons <- CreateSeuratObject(raw.data = neurons.data, min.cells = 3, min.genes = 200,
   project = "10X_neurons")
neurons


完整笔记见：单细胞转录组3大R包之Seurat