R语言单细胞做细胞通讯时报错

Question

运行细胞通讯分析报错

for(i in names(scRNA.list)){
  


data.input <- GetAssayData(scRNA.list[[i]], layer = 'data')
meta <- scRNA.list[[i]]@meta.data


# 建议提前对celltype进行排序~ 
identical(rownames(meta),colnames(data.input))
celltype_order <- c("Unknown",
                    "Migrating interneuron",
                    "Satellite glial cell",
                    "Cortical neuron",
                    "Endothelial cell",
                    "Basket cell",
                    "Ventral otocyst",
                    "Bergmann glial cell",
                    "Migrating neuron",
                    "Mitotic tumor cell",
                    "Type II spiral ganglion neuron",
                    "Type I spiral ganglion neuron",
                    "Cortex layer 6 pyramidal cell",
                    "Astrocyte",
                    "Chandelier cell",
                    "Oligodendrocyte",
                    "Neuronal progenitor cell",
                    "Homeostatic microglial cell",
                    "Type IB spiral ganglion neuron",
                    "Erythroid terminal differentiation cell",
                    "Cajal retzius cell")


meta$celltype <- factor(meta$celltype ,levels = celltype_order)
# 根据 meta$celltypes 的顺序进行排序
ordered_indices <- order(meta$celltype)


# 对 meta 和 data.input 进行排序
meta <- meta[ordered_indices, ]
data.input <- data.input[, ordered_indices]
identical(rownames(meta),colnames(data.input))




# 构建cellchat
cellchat <- createCellChat(object = data.input, 
                           meta = meta, 
                           group.by = "celltype")
levels(cellchat@idents)


#设置配体-受体相互作用数据库


CellChatDB <- CellChatDB.mouse # use CellChatDB.mouse if running on mouse data


showDatabaseCategory(CellChatDB)
dplyr::glimpse(CellChatDB$interaction)


# 使用CellChatDB的中特定的数据库进行细胞-细胞通信分析
# 示例中使用了Secreted Signaling
# CellChatDB.use <- subsetDB(CellChatDB, search = "Secreted Signaling", key = "annotation") 


# Only uses the Secreted Signaling from CellChatDB v1
#  CellChatDB.use <- subsetDB(CellChatDB, search = list(c("Secreted Signaling"), c("CellChatDB v1")), key = c("annotation", "version"))


# 使用所有CellChatDB数据进行细胞-细胞通信分析。
CellChatDB.use <- CellChatDB 


# 在构建的cellchat中设定需要使用的数据库
cellchat@DB <- CellChatDB.use


######预处理细胞-细胞通讯分析的表达数据


cellchat <- subsetData(cellchat) 
# future::plan("multisession", workers = 1) # do parallel
cellchat <- identifyOverExpressedGenes(cellchat)
cellchat <- identifyOverExpressedInteractions(cellchat)
# 默认情况下,cellchat使用[e-mail]进行网络推断
# 此外提供了projectData函数,将基因投射到PPI，开发者说PPI并不会或导致很少的伪通讯
cellchat <- projectData(cellchat, PPI.mouse)


#####预测细胞-细胞通信网络
# 该分析的关键参数是类型，即计算每个细胞组的平均基因表达的方法。
# 默认情况下，type = “triMean”，产生较少但更强的交互。
# 当设置 type = “truncatedMean” 时，应对trim设置一个值，进而产生更多交互。
cellchat <- computeCommunProb(cellchat, type = "triMean",raw.use = TRUE) 
# 如下
# computeAveExpr(cellchat, features = c("CXCL12","CXCR4"),
#                type =  "truncatedMean",trim = 0.1)


# min.cells是设置阈值，最小是需要10个细胞参与通讯推断(可以自定义)
cellchat <- filterCommunication(cellchat, min.cells = 10)


#####在信号通路水平上推断细胞间通讯


# CellChat通过汇总与每个信号通路相关的所有配体-受体相互作用的通信概率来计算信号通路水平上的通信概率。 
# NB:推断的每个配体-受体对的细胞间通信网络和每个信号通路分别存储在槽'net'和'netP'中。
cellchat <- computeCommunProbPathway(cellchat)


# 计算聚合细胞-细胞通信网络
# 互作网络整合,可以设置soure和target，不设置就是默认全部
cellchat <- aggregateNet(cellchat)


#数据提取，subsetCommunication函数
df.net <- subsetCommunication(cellchat)


  saveRDS(cellchat,paste0(i,"_Cellchat.rds"))
}

Answer 1

阿里嘎多学长整理AIGC生成，因移动端显示问题导致当前答案未能完全显示，请使用PC端查看更加详细的解答过程

解决单细胞RNA测序细胞通讯分析报错

根据你提供的信息，报错发生在 for(i in names(scRNA.list)){...} 这一段代码里。具体报错原因和解决方案如下：

问题原因

由于 < 和 > 等符号在 markdown 文本中有特殊含义，可能会导致语法错误。这些符号是在原始问题代码中使用的，不太可能是代码中的实际符号。假设你实际代码中使用的符号是 < 和 >，则可能是因为没有在 GetAssayData() 函数中提供必要的参数或者是参数写法不正确导致的。

###解决方案

检查 GetAssayData() 函数的参数列表，确保传入了所有必要参数。具体来说，检查 scRNA.list[[i]] 是否包含 layer 这个参数。

for(i in names(scRNA.list)){
  if ("layer" %in% colnames(assayData(scRNA.list[[i]]))){
    data.input <- GetAssayData(scRNA.list[[i]], layer = " YOUR LAYER NAME ")
  } else {
    data.input <- GetAssayData(scRNA.list[[i]])
  }
  
  # ... 后续代码 ...
}

你需要根据自己的具体数据修改 " YOUR LAYER NAME "，使其指向你要获取的层次。