如何在Seurat中计算LSC17干细胞得分并映射到UMAP？

核心说明 #

Seurat的AddModuleScore是计算无权重的基因模块平均得分，无法直接整合LSC17的特定加权系数，因此需要手动实现加权求和逻辑，步骤如下：

步骤1：定义LSC17基因-权重对应表 #

先整理Ng等人2016年研究中的基因与对应系数，确保基因名和你的Seurat对象基因名完全匹配（注意大小写、前缀后缀一致性）：

# 定义LSC17基因及加权系数
lsc17_weights <- c(
  DNMT3B = 0.0874,
  ZBTB46 = -0.0347,
  NYNRIN = 0.00865,
  ARHGAP22 = -0.0138,
  LAPTM4B = 0.00582,
  MMRN1 = 0.0258,
  DPYSL3 = 0.0284,
  KIAA0125 = 0.0196,
  CDK6 = -0.0704,
  CPXM1 = -0.0258,
  SOCS2 = 0.0271,
  SMIM24 = -0.0226,
  EMP1 = 0.0146,
  NGFRAP1 = 0.0465,
  CD34 = 0.0338,
  AKR1C3 = -0.0402,
  GPR56 = 0.0501
)

# 检查基因是否存在于Seurat对象中
missing_genes <- setdiff(names(lsc17_weights), rownames(seurat_obj@assays$RNA@data))
if (length(missing_genes) > 0) {
  warning(paste("未找到的基因：", paste(missing_genes, collapse = ", ")))
}

步骤2：计算加权LSC17得分 #

提取标准化后的表达矩阵（建议用scaled数据，避免原始计数的量级干扰），逐细胞计算加权求和：

# 提取RNA assay的标准化表达矩阵
expr_matrix <- seurat_obj@assays$RNA@scaled.data

# 过滤出存在于对象中的LSC17基因
valid_genes <- names(lsc17_weights)[names(lsc17_weights) %in% rownames(expr_matrix)]
expr_lsc17 <- expr_matrix[valid_genes, ]

# 计算每个细胞的LSC17得分：表达量 × 对应权重的矩阵乘法
lsc17_scores <- as.vector(t(expr_lsc17) %*% lsc17_weights[valid_genes])

# 将得分添加到Seurat对象的元数据中
seurat_obj$LSC17_Stemness_Score <- lsc17_scores

步骤3：映射得分到UMAP可视化 #

用Seurat自带的FeaturePlot绘制UMAP上的得分分布：

# 绘制LSC17干细胞性得分的UMAP图
FeaturePlot(seurat_obj, features = "LSC17_Stemness_Score", label = TRUE, repel = TRUE) +
  scale_color_viridis_c(option = "plasma") # 可选：调整颜色渐变方案

关键注意事项 #

• 必须使用标准化后的表达数据：原始计数（counts）因基因表达量级差异，会导致加权结果偏差
• 基因名匹配是核心：如果你的Seurat对象基因名是小写/带前缀（如ENSG），需提前用tolower()或字符串处理统一格式
• 若存在缺失基因：可保留现有基因计算得分，但需在结果报告中注明缺失情况

内容的提问来源于stack exchange，提问作者Jack Pep