「单细胞转录组系列」如何从稀疏矩阵中随机提取数据进行分析

「单细胞转录组系列」如何从稀疏矩阵中提取部分数据进行分析 写了根据细胞的元信息来提取数据，然后有人问我，如何进行随机抽样，这篇文章就来介绍下如何随机提取细胞。

这次的数据集在https://data.humancellatlas.org/explore/projects/cc95ff89-2e68-4a08-a234-480eca21ce79/expression-matrices 大约有100K细胞。我下载的其中mtx格式，下载链接如下

https://data.humancellatlas.org/project-assets/project-matrices/cc95ff89-2e68-4a08-a234-480eca21ce79.homo_sapiens.mtx.zip

经过解压缩之后，我们会得到5个文件，其中matrix.mtx.gz存放表达量矩阵，压缩后有2.2G

3.5M Nov  7  2019 barcodes.tsv.gz # barcode信息
109M Nov  7  2019 cells.tsv.gz    # 细胞元信息   
1.1M Nov  7  2019 features.tsv.gz # 基因的元信息
1.1M Nov  7  2019 genes.tsv.gz    # 基因的元信息, 同features, 有header
2.2G Nov  7  2019 matrix.mtx.gz   # 表达量信息

我们用R读取其中cells.tsv.gz和matrix.mtx.gz, 加载表达量矩阵和细胞信息

mtx <- readMM("e7448a34-b33d-41de-b422-4c09bfeba96b.mtx/matrix.mtx.gz")
dim(mtx)
# 58347 782859
paste0("Memory Size = ", round(object.size(mtx) / 10^6, 3), " MB")
# "Memory Size = 9908.946 MB"
cells <- data.table::fread("e7448a34-b33d-41de-b422-4c09bfeba96b.mtx/cells.tsv.gz")
dim(cells)
# 782859     44

一共有78K细胞，占用了接近10G的内存。为了降低电脑分析压力，我们可以提取部分的细胞进行分析。

第一种抽样方法，就是用sample无放回的抽取

cell_id <- sample(x = seq(1, nrow(cells)), 10000)
mtx_sml <- mtx[, cell_id]
paste0("Memory Size = ", round(object.size(mtx_sml) / 10^6, 3), " MB")
#  "Memory Size = 125.365 MB
cell_sml <- cells[cell_id, ]

第二种抽样方法，我们可以根据细胞的元信息，分层抽样，例如donor_organism.human_specific.ethnicity.ontology_label记录着细胞着来源，于是我们就可以根据不同人群进行抽样。

# 获取细胞编号
cell_ids <- row.names(cells)
# 获取细胞来源
cell_source <- factor(cells$donor_organism.human_specific.ethnicity.ontology_label)
# 根据细胞来源换分细胞，然后抽样
cell_ids_list <- lapply(split(cell_ids, cell_source), function(x){ sample(x, 3000) })
# 提取细胞编号
cell_id <- unlist(cell_ids_list)
# 提取细胞
cell_sml <- cells[cell_id, ]
mtx_sml <- mtx[, cell_id]

我们可以统计抽样后不同类型的细胞占比，发现细胞占比是一样的。

table(cell_sml$donor_organism.human_specific.ethnicity.ontology_label)
#                 African American            Asian         European 
#            3000             3000             3000             3000

当然，如果原来细胞元信息中有细胞类型注释信息，还可以按照细胞分群抽样。