一  安装

1.1 装包

SCENIC 的workflow主要依赖三个R包的支持：
1、 GENIE3 ：用于共表达网络的计算(也可以用 GRNBoost2 替代)
2、 RcisTarget ：转录因子结合motif的计算
3、 AUCell ：识别单细胞测序数据中的激活基因集(gene-network)

#安装是个永恒的难题，我在window中BiocManager==1.30.16,R==4.0.6以及本篇的sessionInfo环境下安装是没有问题的
#在Linux中如果你对conda比较熟悉那么也很好安装
if (!requireNamespace("BiocManager", quietly = TRUE))install.packages("BiocManager")
BiocManager::version()
#当你的bioconductor版本大于4.0时
if(!require(SCENIC))BiocManager::install(c("AUCell", "RcisTarget"),ask = F,update = F);BiocManager::install(c("GENIE3"),ask = F,update = F)#这三个包显然是必须安装的
### 可选的包：
#AUCell依赖包
if(!require(SCENIC))BiocManager::install(c("zoo", "mixtools", "rbokeh"),ask = F,update = F) 
###t-SNEs计算依赖包:
if(!require(SCENIC))BiocManager::install(c("DT", "NMF", "ComplexHeatmap", "R2HTML", "Rtsne"),ask = F,update = F)
# #这几个包用于并行计算，很遗憾，Windows下并不支持，所以做大量数据计算时最好转战linux：
if(!require(SCENIC))BiocManager::install(c("doMC", "doRNG"),ask = F,update = F)
#可视化输出
# To export/visualize in http://scope.aertslab.org
if (!requireNamespace("devtools", quietly = TRUE))install.packages("devtools")
if(!require(SCopeLoomR))devtools::install_github("aertslab/SCopeLoomR", build_vignettes = TRUE)#SCopeLoomR用于获取测试数据
if (!requireNamespace("arrow", quietly = TRUE)) BiocManager::install('arrow')
#这个包不装上在runSCENIC_2_createRegulons那一步会报错，提示'dbs'不存在
library(SCENIC)#这就安装好了，试试能不能正常加载
if(!require(SCENIC))devtools::install_github("aertslab/SCENIC") 
packageVersion("SCENIC")#这里我安装的是1.3.1
library(SCENIC)
#bioconductor版本小于4.0或你的R（3.6）的版本也比较老，你可能得试试下面的方法进行安装
devtools::install_github("aertslab/SCENIC@v1.1.2")
devtools::install_github("aertslab/AUCell")
devtools::install_github("aertslab/RcisTarget")
devtools::install_github("aertslab/GENIE3")

1.2 官方手册

vignetteFile <- file.path(system.file('doc', package='SCENIC'), "SCENIC_Running.Rmd")
file.copy(vignetteFile, "SCENIC_myRun.Rmd")
# or: 
vignetteFile <- "https://raw.githubusercontent.com/aertslab/SCENIC/master/vignettes/SCENIC_Running.Rmd"
download.file(vignetteFile, "SCENIC_myRun.Rmd")

1.3 测试数据

1.3.1 从测试数据中提取表达矩阵与注释信息

输入数据的表达矩阵为 gene-summarized counts ，不同于其他进阶分析的是，输入的数据最好是 raw counts 或 normalized counts 。计算后的 TPM 或 FPKM/RPKM 之类也是允许的, 但是这些可能会导致人为的 共变量 引入，避免节外生枝，我还是推荐用raw count。但总的来说， raw (logged) UMI counts , normalized UMI counts , 和 TPM 都能产生值得信赖的效果 form loom

loomPath <- system.file(package="SCENIC", "examples/mouseBrain_toy.loom")
library(SCopeLoomR)

loom <- open_loom(loomPath)#获取loom文件
exprMat <- get_dgem(loom)#取出表达信息
class(exprMat)

# [1] "matrix" "array"

exprMat[1:4,1:4]

cellInfo <- get_cell_annotation(loom)#获得注释信息
cellInfo[1:4,1:3]

close_loom(loom)

上面我们说了如何从 loom 中读取表达矩阵与注释信息，而Python版的SCENIC是推荐使用loom作为输入数据的,这里教大家如何利用表达矩阵和注释信息创建 loom 文件(to loom )

loom <- build_loom("data/mouseBrain.loom", dgem=exprMat)

loom <- SCENIC::add_cell_annotation(loom, cellInfo)

close_loom(loom)

seurat 对象也是类似的

library(Seurat)
singleCellMatrix <- Seurat::Read10X(data.dir="data/filtered_gene_bc_matrices/hg19/")
scRNAsub <- CreateSeuratObject(counts = singleCellMatrix, project = "pbmc3k", min.cells = 3, min.features = 200)
exprMat <- as.matrix(scRNAsub@assays$RNA@counts)
cellInfo <- as.data.frame(scRNAsub@meta.data)

从 AUCell 中读取注释信息

cellLabels <- paste(file.path(system.file('examples', package='AUCell')), "mouseBrain_cellLabels.tsv", sep="/")
cellLabels <- read.table(cellLabels, row.names=1, header=TRUE, sep="\t")
cellInfo <- as.data.frame(cellLabels)
colnames(cellInfo) <- "CellType"
saveRDS(cellInfo,'int/cellInfo.rds')

1.3.2 保存输入数据

saveRDS(cellInfo, file="int/cellInfo.Rds")
# Color to assign to the variables (same format as for NMF::aheatmap)
colVars <- list(CellType=c("microglia"="forestgreen", 
                           "endothelial-mural"="darkorange", 
                           "astrocytes_ependymal"="magenta4", 
                           "oligodendrocytes"="hotpink", 
                           "interneurons"="red3", 
                           "pyramidal CA1"="skyblue", 
                           "pyramidal SS"="darkblue"))
colVars$CellType <- colVars$CellType[intersect(names(colVars$CellType), cellInfo$CellType)]
saveRDS(colVars, file="int/colVars.Rds")
plot.new(); legend(0,1, fill=colVars$CellType, legend=names(colVars$CellType))#查看保存了哪些细胞类型

1.4 RcisTarget 数据库

1.4.1 文件获取

cisTarget databases 手动下载

#human： dbFiles <- c("https://resources.aertslab.org/cistarget/databases/homo_sapiens/hg19/refseq_r45/mc9nr/gene_based/hg19-500bp-upstream-7species.mc9nr.feather", "https://resources.aertslab.org/cistarget/databases/homo_sapiens/hg19/refseq_r45/mc9nr/gene_based/hg19-tss-centered-10kb-7species.mc9nr.feather") #mouse： dbFiles <- c("https://resources.aertslab.org/cistarget/databases/mus_musculus/mm9/refseq_r45/mc9nr/gene_based/mm9-500bp-upstream-7species.mc9nr.feather", "https://resources.aertslab.org/cistarget/databases/mus_musculus/mm9/refseq_r45/mc9nr/gene_based/mm9-tss-centered-10kb-7species.mc9nr.feather") #fly： dbFiles <- c("https://resources.aertslab.org/cistarget/databases/drosophila_melanogaster/dm6/flybase_r6.02/mc8nr/gene_based/dm6-5kb-upstream-full-tx-11species.mc8nr.feather") dir.create("cisTarget_databases"); setwd("cisTarget_databases") for(featherURL in dbFiles) download.file(featherURL, destfile=basename(featherURL)) # saved in current dir

1.4.2 RcisTarget 数据库文件初始化

这一步相当于给上面下好的文件构建索引并设置一些默认参数

### Initialize settings
library(SCENIC)
scenicOptions <- initializeScenic(org="mgi",#mouse填'mgi', human填'hgnc',fly填'dmel') 
dbDir="cisTarget_databases/mouse/mouse.mm9/", nCores=8)#这里可以设置并行计算

scenicOptions@inputDatasetInfo$cellInfo <- "int/cellInfo.Rds"
saveRDS(scenicOptions, file="int/scenicOptions.Rds") 

二、 SCENIC 分析流程(精简版)

SCENIC 的分析流程封装的较好，运行完整个流程无非也十几行代码(但是会产生大量的过程及结果文件)。
下面这个 示例数据 真的算的很 快 ，不过大家跑自己数据时可能会算上 好几天 。

loomPath <- system.file(package="SCENIC", "examples/mouseBrain_toy.loom")
library(SCopeLoomR)

loom <- open_loom(loomPath)#获取loom文件
exprMat <- get_dgem(loom)#取出表达信息
cellInfo <- get_cell_annotation(loom)#获得注释信息

2.1. 计算共表达网络

genesKept <- geneFiltering(exprMat, scenicOptions)

exprMat_filtered <- exprMat[genesKept, ]
runCorrelation(exprMat_filtered, scenicOptions)
exprMat_filtered_log <- log2(exprMat_filtered+1)

# 基因共表达网络计算
mymethod <- 'runGenie3' # 'grnboost2'
library(reticulate)
if(mymethod=='runGenie3'){
  runGenie3(exprMat_filtered_log, scenicOptions)
}else{
  arb.algo = import('arboreto.algo')
  tf_names = getDbTfs(scenicOptions)
  tf_names = Seurat::CaseMatch(
    search = tf_names,
    match = rownames(exprMat_filtered))
  adj = arb.algo$grnboost2(
    as.data.frame(t(as.matrix(exprMat_filtered))),
    tf_names=tf_names, seed=2023L
  colnames(adj) = c('TF','Target','weight')
  saveRDS(adj,file=getIntName(scenicOptions,
                              'genie3ll'))
 2.2. 构建并计算基因调控网络活性(GRN score)
 
exprMat_log <- log2(exprMat+1)
scenicOptions@settings$dbs <- scenicOptions@settings$dbs["10kb"] # Toy run settings
scenicOptions <- runSCENIC_1_coexNetwork2modules(scenicOptions)
 
scenicOptions <- runSCENIC_2_createRegulons(scenicOptions, coexMethod=c("top5perTarget")) # Toy run settings
 
scenicOptions <- runSCENIC_3_scoreCells(scenicOptions, exprMat_log)
 
# 通过交互的shiny app选择判定二元矩阵的阈值，这里Rmarkdown不便展示，大家可以自行尝试一下
# aucellApp <- plotTsne_AUCellApp(scenicOptions, exprMat_log)
# savedSelections <- shiny::runApp(aucellApp)
# newThresholds <- savedSelections$thresholds
# scenicOptions@fileNames$int["aucell_thresholds",1] <- "int/newThresholds.Rds"
# saveRDS(newThresholds, file=getIntName(scenicOptions, "aucell_thresholds"))
scenicOptions <- runSCENIC_4_aucell_binarize(scenicOptions)#将AUCell矩阵二元化
 
 2.3. 一些下游的可视化与探索
 
tsneAUC(scenicOptions, aucType="AUC") #利用AUCell score运行tsne
 
# Export:
# saveRDS(cellInfo, file=getDatasetInfo(scenicOptions, "cellInfo")) # Temporary, to add to loom
if(!file.exists('output/scenic.loom')){export2loom(scenicOptions, exprMat)}
saveRDS(scenicOptions, file="int/scenicOptions.Rds")#保存结果 
### Exploring output 
# output下存放的scenic.loom文件可以用这个网站做交互式的可视化: http://scope.aertslab.org
# motif富集的相关信息在：
#output/Step2_MotifEnrichment_preview.html in
motifEnrichment_selfMotifs_wGenes <- loadInt(scenicOptions, "motifEnrichment_selfMotifs_wGenes")
tableSubset <- motifEnrichment_selfMotifs_wGenes[highlightedTFs=="Sox8"]#这样查看Sox8的信息
viewMotifs(tableSubset) 
 
#查看motif和对应基因：
#output/Step2_regulonTargetsInfo.tsv
regulonTargetsInfo <- loadInt(scenicOptions, "regulonTargetsInfo")
tableSubset <- regulonTargetsInfo[TF=="Stat6" & highConfAnnot==TRUE]
viewMotifs(tableSubset) 
 
#计算并展示每种细胞类型特异性的(celltype Cell-type specific regulators (RSS))，类似于拿RGN的活性来计算调控
regulonAUC <- loadInt(scenicOptions, "aucell_regulonAUC")
rss <- calcRSS(AUC=getAUC(regulonAUC), cellAnnotation=cellInfo[colnames(regulonAUC), "CellType"], )
rssPlot <- plotRSS(rss)
 
plotly::ggplotly(rssPlot$plot)
 
 2.4 输出文件
 
除了我们上面可视化展示出的结果，SCENIC运行时会自动在本地输出大量文件：
 
SCENIC（单细胞重组网络推断和聚类）是一种从单细胞RNA序列数据推断基因调控网络和细胞类型的计算方法。
 该方法的描述和一些使用示例可在《。
 当前在R（此存储库）和Python中有SCENIC的实现。 如果您不太喜欢使用R，我们建议您检查一下SCENIC（其中包含Nextflow工作流程）和Python / Jupyter笔记本，以轻松运行SCENIC （强烈建议您批量运行SCENIC或更大的数据集）。 然后，可以在R，Python或SCope（Web界面）中浏览任何实现的输出。
 有关在R运行SCENIC的更多详细信息和安装说明，请参阅以下教程：
 这些示例的输出位于：  :
 常见问题：
2021/03/26：
 新教程可
2020/06/26：
 该SCENICprotocol包括Nextflow工作流程，并pySCENIC笔记本现在正式发布。 有关详细信息
				
优美的风景
Scenic View是一个JavaFX应用程序，旨在使您可以轻松了解应用程序场景图的当前状态，并且还可以轻松地操作场景图的属性，而无需继续编辑代码。 这样一来，您就可以查找错误，并使像素完美无缺，而无需执行“编译-检查-编译”操作。
适用于Windows，Linux和MacOS的JDK 11的构建是由Azure Pipelines构建的。 这些构建的状态如下所示：
下载JDK 11
Linux
您还可以下载平台无关的发行版和 。
Java版本
Scenic View有针对JDK 8，JDK 9和JDK 11的版本：
 JDK 8版本处于维护模式。 没有积极的开发正在进行中，并且代码存在于jdk8分支中。
 不建议使用JDK 9版本，建议开发人员使用JDK 8版本或JDK 11版本。
 JDK 11版本是积极开发的分支，并且代码存在于m
				
可扩展的SCENIC工作流程，用于单细胞基因调控网络分析
该存储库描述了如何对单细胞数据运行pySCENIC基因调控网络推断分析以及基本的“最佳实践”表达分析。 这包括：
 独立的Jupyter笔记本电脑，用于交互式分析
Nextflow DSL1工作流程，它提供了一种半自动化且简化的方法来运行这些步骤
pySCENIC安装，使用和下游分析的详细信息
另请参阅《自然规约》中的相关出版物：  :  。
 有关此协议中步骤的高级实现，请参阅 ，这是pySCENIC的Nextflow DSL2实现，具有用于表达式分析的全面且可自定义的管道。 这包括其他pySCENIC功能（多次运行，集成的基于主题和基于轨迹的regulon修剪，织机文件生成）。
PBMC 10k数据集（10x基因组学）
 完整的SCENIC分析，以及过滤，群集，可视化和SCope就绪的织机文件创建： |
 Scenic 场景描述语言的编译器和场景生成器。 请参阅以获取安装说明，以及有关 Scenic 语言、其实现及其与各种模拟器的接口的教程和其他信息。
 有关该语言及其一些应用的描述，请参阅，它扩展了我们的（注意：自以来，Scenic 的语法略有变化，并且添加了许多功能，例如支持动态场景；这些在预印本中进行了描述）。 Scenic 由 Daniel J. Fremont、Edward Kim、Tommaso Dreossi、Shromona Ghosh、Xianyu Yu、Alberto L. Sangiovanni-Vincentelli 和 Sanjit A. Seshia 设计和实施。
 如果您在使用 Scenic 时遇到任何问题，请向提交问题或通过联系 Daniel。
 存储库的组织方式如下：
 src/scenic目录包含正确的包；
 examples目录中有很多 Sce
scenic.new混合任务，它将为您生成一个入门应用程序。 这是设置新的Scenic项目的最简单方法。
Erlang / Elixir版本
请注意，它目前需要OTP 21和Elixir 1.7。 如果您在编译时遇到麻烦，请检查是否首先运行了这些版本。
安装先决条件
Scenic的设计竭尽全力将其依赖性最小化到最小。 即，它需要Erlang / Elixir和OpenGL。
 将应用程序渲染到本地计算机（MacOS，Ubuntu等）的窗口中是由scenic_driver_glfw驱动程序完成的。 它使用GLFW和GLEW库连接到OpenGL。
 以下说明假定您已经安装了Elixir / Erlang。 如果您需要安装Elixir / Erlang，请在。
在MacOS上安装
在MacOS上安装的最简单方法是使用Homebrew。 只需在终端中运行以下命令： 
brew upda