Başlamak için, örnek birleştirme için Alzheimer veri dosyalarını indirin ve veri yollarının yanı sıra örnek adlarını da yapılandırın. İndirilen örnekleri içeri aktarın ve bunlara işlev adları altında cinsiyete özgü adlar atayın. Fonksiyon listesini ve Read10x'i kullanarak, tüm numuneler için toplu işleme tarzında Seurat nesneleri oluşturun ve minimum hücrelerin parametrelerini 3'e ve minimum özelliklerin parametrelerini 200'e kadar belirtin.
RenameCells işleviyle, birleştirme işlemi sırasında korumak için hücre barkodlarına önek olarak örnek kimlikleri ekleyin. Kalite kontrol için, PercentFeatureSet fonksiyonunu kullanarak, her hücre için mitokondriyal eritrosit ve ribozom gen oranlarını hesaplayın. Bu hesaplanan oranları, bu bilgileri doğrudan her hücrenin meta verilerine eklemek için çift köşeli parantez işlecini kullanarak meta verilerde saklayın.
Alt küme fonksiyonunu kullanarak, RNA, mitokondri, ribozomlar ve eritrositler için uygun parametrelerle hücre filtrasyonu gerçekleştirin. NormalizeData işlevini kullanarak verileri normalleştirin. FindVariableFeatures ile veri kümesindeki ilk 2000 değişken özelliğini belirleyin.
Veriler üzerinde temel bileşen analizi yapmak için RunPCA'yı kullanın ve 50 temel bileşeni koruyun. ElbowPlot işlevini kullanarak, sonraki analiz için en uygun boyut sayısını belirlemek için bir dirsek grafiği oluşturun. İlk 50 boyutu göz önünde bulundurarak, tüm özellikleri karşılaştırılabilir bir ölçekte getirmek için ölçek verilerini seçin.
FindNeighbors işleviyle, 30 boyuta göre en yakın komşuları belirleyin ve verilerin boyutluluğunu 30 boyuta düşürmek için UMAP algoritmasını çalıştırın. Grupta UMAP olarak ayarlanmış azaltma parametresi ile işlenen verileri görselleştirmek için DimPlot işlevini seçin. orijinal kimliğe ayarlanan parametrelere göre.
SCTransform fonksiyonunu kullanarak, verileri normalleştirin ve standartlaştırın ve kalan tek çekirdek verilerini entegre etmek için uyum algoritmasını uygulayın. Entegrasyon için SCT tahlilini seçin ve maksimum uyum yineleme sayısını 20 olarak ayarlayın. Ardından FindClusters işlevini çalıştırın ve verilerin boyutsallığını daha da azaltmak ve kümeleri daha düşük boyutlu bir uzayda görselleştirmek için RunUMAP işlevini kullanırken veriler içindeki farklı kümeleri tanımlamak için çözünürlük parametresini 0,07 olarak ayarlayın.
Hücre tipi açıklaması için, hücresel küme heterojenliğini tanımlayın ve açıkça ifade edilen işaretleyici genleri kullanarak her bir küme hücresinin tipini sınıflandırın. Çeşitli hücre tiplerinin farklı renk kodlarıyla vurgulandığı ggplot2 paketini kullanarak UMAP görselleştirmesi ile çeşitli hücresel tipler sunun. Son olarak, cinsiyete göre tabakalandırılmış her hücre tipinin oranlarını hesaplayın.
Bu yöntem kullanılarak, 17 erkek ve 17 kadın Alzheimer hastalığı hastasının verilerinde cinsiyete göre ayrılan her hücre tipinin oranları belirlendi. Her bir glial hücre tipi için bilinen hücre tipi belirteçlerinin ortalama ifadeleri, hücre popülasyonlarını tanımlamak için UMAP grafiklerine yansıtıldı.
