推荐文章：探索单细胞转录组数据的双倍体检测利器 —— DoubletFinder

在单细胞转录组学领域，识别并剔除混合细胞（双倍体）对于数据分析至关重要。为此，我们推荐一个由Chris McGinnis开发的强大R包——DoubletFinder。它专为预测单细胞RNA测序（scRNA-seq）数据中的双倍体而设计，并与Seurat >= 2.0无缝集成。

项目介绍

DoubletFinder是一个创新工具，旨在通过与Seurat结合，高效地处理和区分真实细胞和可能的混合细胞。该软件包最近已更新，以适应Seurat v5版本，确保兼容性的同时，提升了计算效率。此外，它还提供了一套最佳实践指南，帮助用户正确应用在没有样本多路复用的数据上。

项目技术分析

DoubletFinder的工作流程分为四个步骤：

1. 从现有scRNA-seq数据创建人工双倍体。
2. 预处理合并的实测与人工数据。
3. 使用主成分分析（PCA）来确定每个细胞的人工k近邻比例（pANN）。
4. 根据预期双倍体数量对pANN值进行排序和阈值化。

DoubletFinder的独特之处在于其动态调整参数的能力，例如pN（人工双倍体的比例）和pK（用于计算pANN的主成分区域大小）。这些参数可以根据特定数据集进行优化，以提高识别准确率。

应用场景

DoubletFinder不仅适用于常规scRNA-seq数据，还在Cell Hashing和Demuxlet等数据中表现优异，能准确重现基于抗体条形码或SNP解混的数据中的双倍体分类结果。特别地，它能够识别Demuxlet可能会忽略的同基因型双倍体。

项目特点

• 高效计算：新版本优化了算法，提高了pANN的计算速度。
• 自适应参数选择：通过pN-pK参数扫描，可以找到最优化的pK值，从而提升性能。
• 无依赖于地面真相的策略：即使在缺乏明确双倍体信息的情况下，也能利用BCmvn指标来选择合适的pK值。
• 灵活的应用范围：适应各种scRNA-seq数据类型，包括具有不同细胞状态和转录异质性的数据。

示例代码

以下是一个使用DoubletFinder进行预处理和参数扫描的简单示例：

## 预处理Seurat对象（标准方法）
seu_kidney <- CreateSeuratObject(kidney.data)
seu_kidney <- NormalizeData(seu_kidney)
...
## 预处理Seurat对象（sctransform方法）
seu_kidney <- CreateSeuratObject(kidney.data)
seu_kidney <- SCTransform(seu_kidney)
...

## 参数扫描（无需地面真相）
sweep.res.list_kidney <- paramSweep(seu_kidney, PCs = 1:10, sct = FALSE)

总的来说，DoubletFinder是scRNA-seq数据双倍体检测的优秀解决方案，无论是科研还是临床应用，都能提供可靠的分析结果。立即尝试这个强大的工具，为您的单细胞研究开启新篇章！