单细胞分析实录(2): 使用Cell Ranger获得表达矩阵

Cell Ranger是一个“傻瓜”软件，你只需提供原始的fastq文件，它就会返回feature-barcode表达矩阵。为啥不说是gene-cell，举个例子，cell hashing数据获得的矩阵还有tag行，而列也不能确定就是一个cell，可能考虑到这个才不叫gene-cell矩阵吧~它是10xgenomics提供的官方比对定量软件，有四个子命令，我只用过cellranger count，另外三个cellranger mkfastq、cellranger aggr、cellranger reanalyze没用过，也没啥影响。
下载：https://support.10xgenomics.com/single-cell-gene-expression/software/downloads/latest
安装：https://support.10xgenomics.com/single-cell-gene-expression/software/pipelines/latest/installation

在讲Cell Ranger的使用以前，先来看一下10X的单细胞数据长什么样

这是一个样本5个Line的测序数据，数据量足够的话可能只有一个Line。能够看出，它们的命名格式相对规范，在收到公司的数据后，尽可能不要本身更改命名。此外还要注意一个细节，就是存放这些fastq文件的目录应该用第一个下划线_前面的字符串命名，不然后续cell ranger将没法识别目录里面的文件，同时报错

[error] Unable to detect the chemistry for the following dataset. 
Please validate it and/or specify the chemistry 
via the --chemistry argument.

其实并非--chemistry参数的问题。
为了更清楚地理解文件内容，咱们来看一下10X单细胞的测序示意图

Read1那一段序列本来是连在磁珠上面的，有cellular barcode（一个磁珠上都同样），有UMI（各不相同），还有poly-T。Read2就是来源于细胞内的RNA。它俩连上互补配对以后，还会在Read2的另外一端连上sample index序列。这段sample index序列的做用是什么呢？能够参考illumina测序中index primers的做用：

简单来讲就是为了在一次测序中，测多个样本，在来源于特定样本的序列后都加上特定的index，测完以后根据对应关系拆分。一个样本对应4个index：

再看每一个文件里面是什么就容易理解了，咱们以一个Line为例：

less -S S20191015T1_S6_L001_I1_001.fastq.gz | head -n 8
less -S S20191015T1_S6_L001_R1_001.fastq.gz | head -n 8
less -S S20191015T1_S6_L001_R2_001.fastq.gz | head -n 8

其实这个index序列就包含在文件的第一、五、9...行，有点多余，通常不太关注它。这个文件的序列最多四种，感兴趣的小伙伴能够看看。

R1文件里面就是cellular barcode信息，多余的序列已经去掉了。10X的v2试剂碱基长度是26，v3试剂碱基长度是28

最后一个文件就是真正的转录本对应的cDNA序列
上一篇讲到cell hashing测序有转录本信息，获得的文件和上面是同样的；还有一个细胞表面蛋白信息，根据这个蛋白信息区分细胞来源，以下：

从图中能够看出，和普通转录本建库差很少，就是R2那一部分换成了HTO序列，整个片断长度也改变了。

上面两张图是我在实际处理中看到的两种cell hashing测序，第一张是TotalSeqA，第二张是TotalSeqB。TotalSeqA中，R2第一个碱基开始为HTO序列（以后是polyA序列），而TotalSeqB中，R2前10个碱基为N的任意碱基，第11个碱基为HTO序列的开始位置，HTO序列长度为16。

综上，cell hashing的测序数据有两套，一套是常规的转录本fastq，一套是蛋白信息（也能够说是样本信息）的fastq。因此处理这类数据，要跟测序公司确认清楚用的是TotalSeqA仍是B，以及样本和HTO序列的对应关系。

---

接下来讲说如何用Cell Ranger处理普通10X单细胞测序数据，以及cell hashing单细胞测序数据
普通10X

indir=/project_2019_11/data/S20191015T1
outdir=/project_2019_11/cellranger/
sample=S20191015T1
ncells=5000 #预计细胞数，这个参数对最终能获得的细胞数影响并不大，因此不用纠结
threads=20

refpath=/ref/10x/human/refdata-cellranger-GRCh38-3.0.0
cellranger=/softwore/bin/cellranger
cd ${outdir}
${cellranger} count --id=${sample} \
                 --transcriptome=${refpath} \
                 --fastqs=${indir} \
                 --sample=${sample} \
                 --expect-cells=${ncells} \
                 --localcores=${threads}

cell hashing

total_seq_A
须要提早准备好两个文件夹，好比我用total_seq_A或total_seq_B存放HTO序列和样原本源的对应关系：

$ ls
feature.reference1.csv
$ cat feature.reference1.csv
id,name,read,pattern,sequence,feature_type
tag1,tag1,R2,^(BC),GTCAACTCTTTAGCG,Antibody Capture
tag2,tag2,R2,^(BC),TGATGGCCTATTGGG,Antibody Capture

tag一、tag2对应哪个样本事先知道；^(BC)能够看作正则表达式，表示R2序列以barcode(也就是HTO序列)开始
total_seq_B

$ ls
feature.reference.csv
$ cat feature.reference.csv
id,name,read,pattern,sequence,feature_type
tag6,tag6,R2,5PNNNNNNNNNN(BC)NNNNNNNNN,GGTTGCCAGATGTCA,Antibody Capture
tag7,tag7,R2,5PNNNNNNNNNN(BC)NNNNNNNNN,TGTCTTTCCTGCCAG,Antibody Capture

5PNNNNNNNNNN(BC)NNNNNNNNN表示从5端开始，10个碱基以后就是HTO序列，后面的序列随意
lib_csv
第二个文件夹lib_csv，用来存放cell hashing两套数据的路径，用csv格式存储，sample这一列为文件夹名称

$ cat S20200612P1320200702N.libraries.csv
fastqs,sample,library_type
/project_2019_11/data/fastq/,S20200612P1320200702N,Gene Expression
/project_2019_11/data/antibody_barcode/,S20200612P13F20200702N,Antibody Capture

最终脚本以下

lib_dir=/script/cellranger/1/lib_csv/
#need to be changed based on your seq-tech: total_seq_A or total_seq_B
feature_ref_dir=/script/cellranger/1/total_seq_A/
outdir=/project_2019_11/cellranger/
sample=S20191017P11
ncells=5000
threads=20
refpath=/ref/10x/human/refdata-cellranger-GRCh38-3.0.0
cellranger=/softwore/bin/cellranger

cd ${outdir}
${cellranger} count --libraries=${lib_dir}${sample}.libraries.csv \
        --r1-length=28 \
        --feature-ref=${feature_ref_dir}feature.reference1.csv \
        --transcriptome=${refpath} \
        --localcores=${threads} \
        --expect-cells=${ncells} \
        --id=${sample}

最终的表达矩阵会输出到

${outdir}${sample_id}/outs/filtered_feature_bc_matrix

$ cd S20200619P11120200716NC/outs/filtered_feature_bc_matrix/
$ ls
barcodes.tsv.gz  features.tsv.gz  matrix.mtx.gz

$ less -S features.tsv.gz
ENSG00000243485	MIR1302-2HG	Gene Expression
ENSG00000237613	FAM138A	Gene Expression
......
ENSG00000277475	AC213203.1	Gene Expression
ENSG00000268674	FAM231C	Gene Expression
tag7	tag7	Antibody Capture
tag8	tag8	Antibody Capture

features.tsv.gz存储的是基因信息，由于是cell hashing数据，矩阵最后多了几行tag信息，共33540行

$ less -S barcodes.tsv.gz | head -n 4
AAACCCAAGACTTAAG-1
AAACCCAAGCTACTGT-1
AAACCCAAGGACTGGT-1
AAACCCAAGGCCTGCT-1

barcodes.tsv.gz存放的是最后获得的cellular barcode，共10139行

$ less -S matrix.mtx.gz | head -n 8
%%MatrixMarket matrix coordinate integer general
%metadata_json: {"format_version": 2, "software_version": "3.1.0"}
33540 10139 15746600
65 1 1
103 1 1
155 1 2
179 1 2
191 1 1

matrix.mtx.gz为矩阵信息，除前三行外，余下的行数等于feature乘以CB数，第二列表示CB编号，从1到10139，1重复33540次，对应第一列的33540个feature。第三列表示UMI
下面的脚本能够将这三个文件转换为常见的矩阵形式

path1=/softwore/biosoft/cellranger-3.1.0/cellranger
path2=/project_2019_11/cellranger/

i=S20191211P71
${path1} mat2csv ${path2}${i}/outs/filtered_feature_bc_matrix ${path2}Feature_Barcode_Matrices/${i}.mat.count.csv
sed 's/,/\t/g' ${path2}Feature_Barcode_Matrices/${i}.mat.count.csv  > ${path2}Feature_Barcode_Matrices/${i}.mat.count.txt
sed -i 's/^\t//g' ${path2}Feature_Barcode_Matrices/${i}.mat.count.txt
rm -f ${path2}Feature_Barcode_Matrices/${i}.mat.count.csv