# 第5章: 使用ArchR聚类 大部分单细胞聚类算法都在降维后空间中计算最近邻图，然后鉴定"社区"或者细胞聚类。这些方法效果表现都特别出色，已经是scRNA-seq的标准策略，所以ArchR直接使用了目前scRNA-seq包中最佳的聚类算法用来对scATAC-seq数据进行聚类。 ## 5.1 使用Seurat的`FindClusters()`函数进行聚类 我们发现[Seurat](https://github.com/satijalab/seurat)实现的图聚类方法表现最好，所以在ArchR中，`addClusters()`函数本质是上将额外的参数通过`...`传递给`Seurat::FindClusters()`函数，从而得到聚类结果。在分析中，我们发现`Seurat::FindClusters()`是一个确定性的聚类算法，也就是相同的输入总是能得到完全相同的输出。 ```r projHeme2 <- addClusters( input = projHeme2, reducedDims = "IterativeLSI", method = "Seurat", name = "Clusters", resolution = 0.8 ) # 只展示部分信息 # Maximum modularity in 10 random starts: 0.8568 # Number of communities: 11 # Elapsed time: 1 seconds ``` 我们可以使用`$`符号来获取聚类信息，输出结果是每个细胞对应的cluster ```r head(projHeme2$Clusters) # [1] "C10" "C6" "C1" "C2" "C2" "C10" ``` 我们统计下每个cluster的细胞数 ```r table(projHeme2$Clusters) # C1 C10 C11 C2 C3 C4 C5 C6 C7 C8 C9 # 310 1247 1436 480 323 379 852 1271 677 2550 726 ``` 为了更好了解样本在cluster的分布，我们可以使用`confusionMatrix()`函数通过每个样本创建一个聚类混淆矩阵(cluster confusion matrix) ```r cM <- confusionMatrix(paste0(projHeme2$Clusters), paste0(projHeme2$Sample)) cM ``` 文字信息太多，这里直接用热图进行展示 ```r library(pheatmap) cM <- cM / Matrix::rowSums(cM) p <- pheatmap::pheatmap( mat = as.matrix(cM), color = paletteContinuous("whiteBlue"), border_color = "black" ) p ```  细胞有时在二维嵌入中的相对位置与所识别的聚类并不完全一致。更确切的说，单个聚类中的细胞可能出现在嵌入的多个不同区域中。在这些情况下，可以适当地调整聚类参数或嵌入参数，直到两者之间达成一致。 ## 5.2 使用`scran`聚类 除了`Seurat`, ArchR还能够使用[scran](https://bioconductor.org/packages/release/bioc/html/scran.html)进行聚类分析，我们只需要修改`addClusters()`中的`method`参数即可。 ```r projHeme2 <- addClusters( input = projHeme2, reducedDims = "IterativeLSI", method = "scran", name = "ScranClusters", k = 15 ) ```