学术咖

2021年5月30日2021年5月30日

在一项新的研究中，德国马克斯-德尔布吕克分子医学中心的Klaus Rajewsky教授及其团队报道B1细胞的产生并不需要不同的祖细胞。相反，他们的实验表明B1典型的B细胞受体（B1-typical B-cell receptor）能够将B2细胞重编程为B1细胞，这表明B1细胞是由于它们的特殊B细胞受体而出现的。这项研究可能会解决一项持续了几十年的免疫学争论。相关研究结果发表在2019年2月15日的Science期刊上，论文标题为“BCR-dependent lineage plasticity in mature B cells”。在与疾病的斗争中，有一种东西是至关重要的：B细胞。这些特殊的细胞属于一类称为淋巴细胞的白细胞，是免疫系统中唯一能够产生抗体的细胞。这些Y形蛋白（即抗体）结合到在细菌或病毒等外来结构上，从而将它们标记为入侵者，以便吞噬细胞和其他的免疫细胞清除它们。

B1细胞已存在于新生儿中并在天然免疫（也称先天免疫）中起重要作用

B细胞有两种类型。B2细胞构成体内白细胞群体的最大部分，主要在血液和胸腺、脾脏、淋巴结、骨髓等淋巴器官中循环。另一方面，B1细胞主要存在于腹膜腔和胸膜腔中，因此存在于肠道和肺部周围的区域。它们对广泛的外来蛋白（称为抗原）作出反应，但也对身体自身的一些抗原作出反应，因而不同于高度特化的B2细胞。

B1细胞占新生儿所有B淋巴细胞的大部分，但是在成年人中，B1细胞所占的比例仅下降到百分之几。这就是B1细胞被认为是天然免疫载体—先天免疫系统—而B2细胞主要负责适应性免疫的的原因之一。当遭受感染或接种疫苗后，适应性免疫就会出现。

几十年来，免疫学家们一直在争论B细胞的起源

在此之前，科学家们仍不清楚不同类型的B细胞是如何产生的。论文共同第一作者、马克斯-德尔布吕克分子医学中心免疫调节与癌症研究小组成员Robin Graf博士说，“一些免疫学家认为B1细胞和B2细胞来自不同的祖细胞。其他免疫学家认为特殊的自身反应性B细胞受体会触发B1细胞形成。”

如今，这项新研究为第二个假设的有效性提供了明确的证据。Graf解释道，“我们利用仅在B1细胞中发现的B1典型B细胞受体替换成熟的B2细胞中的B细胞受体。”

经过操纵的B2细胞呈现出B1细胞的特性

这一过程将这些经过操纵的B2细胞转化为B1细胞。Graf报道，“我们能够证实这些细胞获得了B1典型的表面标志物。”这些经过操纵的B2细胞也具有B1细胞的功能特性。Graf 说，“当我们将它们移植到小鼠体内时，它们会归巢到身体中天然发现B1细胞的那些部位。”

此外，这些细胞开始自发地产生抗体。Graf解释道，“这也是B1细胞的典型特征。”更重要的是，一旦B1典型的B细胞受体在B2细胞表面上表达，这些细胞在一到两周的时间内开始大量增殖。这与B1细胞在早期阶段的自然发育非常相似—这个过程很少被研究过。

旷日持久的争论即将结束

在这项研究的后期，Graf测量了这些经过操纵的B2细胞中数千个基因的活性。Graf 报道，“在这项研究中，我们发现这些相同的基因在这些细胞中和正常的B1细胞中都是有活性的。”

Graf期待这项新的研究将让免疫学家相信B1细胞是由于它们的B细胞受体的特异性而出现的。（生物谷 Bioon.com）

转载自：http://news.bioon.com/article/6734027.html

2021年5月13日

VNC Viewer重启

vncserver -kill :1
vncserver :1

2021年4月14日2021年4月14日

基因表达趋势分析（TCseq使用）

TCseq可根据不同的聚类方法将基因按照表达模式分类

BiocManager::install("TCseq")
library(TCseq)
data <- read.delim('df_TCseq.xls', row.names = 1, sep = '\t', check.names = FALSE)
data <- as.matrix(data)
tca <- timeclust(data, algo = "cm", k = 6, standardize = TRUE)
#character string giving a clustering method. Options are km' (kmeans), 'pam' (partitioning around medoids), 'hc' (hierachical clustering), 'cm' (cmeans).
p <- timeclustplot(tca, value = "z-score(TPM)", cols = 3)#所有cluster合并一个图
print(p[[1]])#单一cluster作图
a <- as.data.frame(tca@cluster)
table(a)
names(a) <- 'Cluster'
Cluster2 <- subset(a,Cluster == 2)
write.table(Cluster2, file="Cluster2_gene.xls", sep="\t", quote=F, row.names=T, col.names=T)

导出不同cluster基因做功能富集

2021年4月8日2022年2月16日

BS-seq分析流程（二）

DNA甲基化：DNA甲基化为DNA化学修饰的一种形式，能在不改变DNA序列的前提下，改变遗传表现。为表观遗传编码的一部分，是一种外遗传机制。DNA甲基化过程会使甲基添加到DNA分子上，例如在胞嘧啶环的5’碳上：这种5’方向的DNA甲基化方式可见于所有脊椎动物。在人类细胞内，大约有1%的DNA碱基受到了甲基化。

gzip -dc A.1_bismark_bt2_pe.deduplicated.CX_report.txt.gz > A.1_bismark_bt2_pe.deduplicated.CX_report.txt
perl BismarkCX2methykit.pl A.1_bismark_bt2_pe.deduplicated.CX_report.txt
#准备注释需要的bed文件（格式12）
convert2bed -i gtf < out.gtf > out6.bed
grep 'exon' out6.bed > aa && mv aa out6.bed
python3 bed6Tobed12.py out6.bed  > out12.bed#bed6Tobed12.py
#methylKit安装及使用
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install("methylKit")
library(methylKit)
file.list = list("A.CG_methykit.txt","B.CG_methykit.txt","C.CG_methykit.txt","D.CG_methykit.txt","E.CG_methykit.txt","F.CG_methykit.txt","G.CG_methykit.txt","H.CG_methykit.txt","I.CG_methykit.txt")
myobjDB=methRead(file.list,
sample.id=list("Control_1","Control_2","Control_3","Single_1","Single_2","Single_3","Multiple_1","Multiple_2","Multiple_3"),
assembly="HZGC",
treatment=c(0,0,0,1,1,1,2,2,2),
context="CpG",
mincov = 10,
dbtype = "tabix",
dbdir = "methylDB",
)
filtered.myobj=filterByCoverage(myobjDB,lo.count=10,lo.perc=NULL, hi.count=NULL,hi.perc=99.9)
meth=unite(filtered.myobj, destrand=FALSE)

pdf("Correlation.pdf")
getCorrelation(meth,plot=TRUE)
dev.off()
pdf("clusterSamples.pdf")
clusterSamples(meth, dist="correlation", method="ward", plot=TRUE)
dev.off()
pdf("PCAscreeplot.pdf")
PCASamples(meth, screeplot=TRUE)
dev.off()
pdf("PCAcluster.pdf")
PCASamples(meth)
dev.off()

tiles=tileMethylCounts(filtered.myobj,win.size=1000,step.size=1000)
meth=unite(tiles, destrand=FALSE)
myDiff=calculateDiffMeth(meth,num.cores=10)
diffMethPerChr(myDiff,plot=FALSE,qvalue.cutoff=0.01, meth.cutoff=25)
myDiff25p.hyper=getMethylDiff(myDiff,difference=25,qvalue=0.01,type="hyper")
myDiff25p.hypo=getMethylDiff(myDiff,difference=25,qvalue=0.01,type="hypo")
myDiff25p=getMethylDiff(myDiff,difference=25,qvalue=0.01)
diffMethPerChr(myDiff,plot=FALSE,qvalue.cutoff=0.01, meth.cutoff=25)
save.image("MS_M_S.RData")
Diffdataframe=getData(myDiff25p)
write.table(Diffdataframe, file="Diffdataframe.xls", sep="\t", quote=F, row.names=T, col.names=T)

2021年3月30日2021年3月30日

R根据基因的表达量筛选基因

data <- read.delim('mouse_gc_log2.xls', row.names = 1, sep = '\t', check.names = FALSE)#行为基因ID列为样本的表达矩阵
data[order(rowSums(data),decreasing=T)[1:3000],]  #筛选表达量高的前3000个基因
data[rowSums(data)>1,]  #过滤掉表达量低的基因

data1=rowMeans(data)>1  #按平均数筛选
data2=rowSums(data>0)>6 #表达量不为0的样品个数筛选
data=data[data1 & data2,] #联合一下
data$cv <- apply(data, 1, function(x){
  sd(x)/mean(x)*100
})
data_df <- data[order(data$cv, decreasing = T)[1:3000], 1:15]#筛选变异系数最大的3000个基因

2021年3月22日2021年4月2日

Gene-rank score计算

data <- read.delim('mouse_gc.xls', row.names = 1, sep = '\t', check.names = FALSE)
col_names <- colnames(data)
row_names <- rownames(data)
data <- as.matrix(data)
b <- apply(data, 2, function(y) rank(y) / length(y))
write.table(b, file="gene_rank_score.xls", sep="\t", quote=F, row.names=T, col.names=T)
#gene-rank没有改变样本间的相关性

2021年3月20日

MetabolAnalyze实现Pareto scaling

BiocManager::install("MetabolAnalyze")
library("MetabolAnalyze")
data <- read.delim('mouse_gc_TMM_cross.xls', row.names = 1, sep = '\t', check.names = FALSE)
col_names <- colnames(data)
row_names <- rownames(data)
data <- as.matrix(data)
b = scaling(data,type = "pareto")
boxplot(b)
write.table(b, file="Pareto_scaled.xls", sep="\t", quote=F, row.names=T, col.names=T)

2021年3月18日2021年3月23日

edgeR之TMM标准化

library(edgeR)
library(ggplot2)
data <- read.delim('../mouse_TPM_notCross.matrix.xls', row.names = 1, sep = '\t', check.names = FALSE)
group <- factor(rep(c('A', 'B', 'C'), each = 3))
y <- DGEList(counts = data, group = group)
y <- calcNormFactors(y)
logcpm <- cpm(y, prior.count=3, log=TRUE)
write.table(logcpm, file="mouse_TMM.xls", sep="\t", quote=F, row.names=T, col.names=T)
#dgList <- estimateCommonDisp(y)
#dgList <- estimateTagwiseDisp(dgList)
#norm_counts.table <- t(t(dgList$pseudo.counts)*(dgList$samples$norm.factors))
#write.table(norm_counts.table, file="mouse_gc_pareto_TMM.xls", sep="\t", quote=F)
#pheatmap(log(data+1),cluster_rows=T,cluster_cols=T,scale="none",border_color="white",color=colorRampPalette(rev(c("red","white","blue")))(102))

2021年3月16日2021年4月2日

limma去除批次效应

什么是批次效应（batch effect）？
不同平台的数据，同一平台的不同时期的数据，同一个样品不同试剂的数据，以及同一个样品不同时间的数据等等都会产生一种batch effect 。这种影响如果广泛存在应该被足够重视，否则会导致整个实验和最终的结论失败。比对实验组和对照组，不同的处理是患病和不患病（测序时，先测得疾病，然后测得正常），然后你通过分析，得到很多差异表达的基因。现在问题来了，这个差异表达的结果是和你要研究的因素有关，还是时间有关，这个问题里时间就会成为干扰实验结果的因素，这个效应就是batch effect。

library(limma)
data <- read.table("mouse_gc.xls",sep="\t",header = TRUE)
batch1 <- c(rep('fish',9),rep('mouse',9))
batch1 <- as.factor(batch1)
design <- model.matrix(~0 + batch1)
#data=normalizeBetweenArrays(data)#如果组内的中位数不在同一条水平线上，现在该参数校正，再使用下面的批次校正
new_data <- removeBatchEffect(data[,2:19], batch = batch1)
boxplot(data[,2:19])
boxplot(new_data)
write.table(new_data, file="removeBatch.xls", sep="\t", quote=F, row.names=T, col.names=T)

limma结果出现负值请参考：https://cloud.tencent.com/developer/article/1680305
参考链接：https://www.omicsclass.com/article/1113

文章

散点图加密度图

Science：新研究揭示B1细胞的起源