CellMarker对单细胞RNA测序数据进行细胞类型注释的应用

单细胞RNA测序（scRNA-seq）技术已经成为了解生命体系的重要途径之一。然而，scRNA-seq通常会产生大量异质性高的单细胞数据，如何有效和准确地对这些数据进行处理和分析，是当前研究的重要挑战之一。为了解决这个问题，近些年来，出现了许多数据分析工具，其中 CellMarker 是一个针对于单细胞RNA测序数据进行细胞类型注释的工具，该工具具有快速，准确，易用性高等特点。

一、简介

CellMarker 是由中国科学院生物物理研究所的研究团队开发的一个R包，该工具能够自动引用一系列已知的细胞标记物数据库模式匹配，快速准确地对单细胞RNA-seq数据进行细胞类型注释。它还提供了区分浸润和正常细胞的算法，比细胞表达标记物更准确。

CellMarker 目前最新版本为1.1.0，可在CRAN上查找并安装，同时也支持在本地从Github上安装，支持多种文件格式的读取，包括单细胞表达矩阵（counts 或 TPM）、基因 ID 到基因名和细胞 ID 到细胞类型的表格。

二、使用

CellMarker 工具的使用十分简单，大致流程如下：

1、在 R 环境下安装和读入 CellMarker 工具，可以使用如下命令：

install.packages("CellMarker")
library(CellMarker)

2、将单细胞表达矩阵读取到 R 中，可以使用如下命令：

#读取文件 
exprs <- read.table(counts_file_name, header = TRUE, stringsAsFactors = FALSE)
#将基因ID转成gene symbol
if(ncol(exprs)>6000) {
    rownames(exprs) <- GeneID2Sym[match(rownames(exprs), GeneID2Sym$GeneID), "GeneSymbol"]
} else {
    rownames(exprs) <- GeneID2Sym[match(rownames(exprs), GeneID2Sym$GeneID), "Symbol"]
}

3、运行 CellMarker 工具，对单细胞表达矩阵进行细胞类型注释，可以使用如下命令：

# 默认版本：使用Human Cell Atlas， hca = T
cell_type_pred <- predict_marker_genes(exprs, hca = T, cell_number = 1000)

其中，cell_number 参数表示从第一个细胞到这个数据集中第 n 个细胞，这些细胞将被用来搜索每个类型中的标志基因。

三、优化

CellMarker 工具虽然方便易用，但在实际应用中，我们也需要注意一些有关数据准备和参数设置的问题。

首先，第一个问题是关于数据的准备。我们需要保证单细胞表达矩阵中的基因ID与预先下载的基因名称列表相对应。如果基因 ID 和基因名称列表不匹配，则命令会警告或停止执行。

其次，对于大规模数据集，CellMarker 的默认存储库可能会不足以覆盖所有细胞亚型/类型。因此，我们可以自行建立新的数据库并添加到 CellMarker 中。为了获取最大的参考列表，可以从已知数据库，如Human Protein Atlas导入蛋白质组数据或通过RNA-seq和单细胞RNA-seq公共数据库添加自定义细胞类型。

最后，CellMarker 目前默认使用的是 Human Cell Atlas，这也只是当前可用的模式之一。尽管 CellMarker 已通过其他单细胞数据集的成功应用得到了验证，但是对于新的细胞类型组合数据，正确性和准确性还需要进一步评估。