> 作者 (author): LKP <kunpeng.liao@abiosciences.com>
> Skill 及脚本参数来源: Chen et al., 2025, Cancer Cell 43, 1656–1676, <https://doi.org/10.1016/j.ccell.2025.06.020>

scMetabolism 单细胞代谢定量

按 KEGG 代谢通路对单细胞打代谢活性分。

安装

# Windows 下已装 scMetabolism 时直接 library；安装：
remotes::install_github("YosefLab/VISION")
remotes::install_github("wu-yc/scMetabolism")

核心调用（Seurat v5 兼容写法）

library(scMetabolism)
# 关键：sc.metabolism.Seurat() 直接访问 Seurat v5 的 @counts 槽会失败，
# 必须用底层矩阵版 sc.metabolism()
countexp <- Seurat::GetAssayData(obj, assay = "RNA", layer = "counts")  # 稀疏矩阵
metab <- sc.metabolism(
  countexp        = countexp,
  method          = "AUCell",    # 本项目用 AUCell（另一选项 "VISION"）
  imputation      = FALSE,
  ncores          = 2,
  metabolism.type = "KEGG"       # 代谢基因集取 KEGG（另有 GO/REACTOME）
)
# metab$metabolism：通路 × 细胞 的活性矩阵

下游汇总与热图

library(Seurat); library(pheatmap)
obj[["METABOLISM"]] <- CreateAssayObject(counts = metab$metabolism)
# 按细胞类型求均值
avg <- aggregate(t(metab$metabolism), by = list(celltype = obj$celltype), FUN = mean)
mat <- t(avg[, -1]); colnames(mat) <- avg$celltype
# 挑目标通路（如戊糖磷酸途径、糖酵解/糖异生、缬氨酸/亮氨酸/异亮氨酸降解与生物合成、
#           类固醇生物合成、谷胱甘肽代谢、膦酸酯代谢）
pheatmap(mat[selected_pathways, ], scale = "row",
         treeheight_row = 0, treeheight_col = 0)

常见坑

1. Seurat v5 必须用矩阵接口：sc.metabolism.Seurat() 读 @counts 槽报错（v5 无该槽），改 GetAssayData(layer="counts") + 底层 sc.metabolism()
2. imputation=F：插补（NNLS 去卷积）会改变通量分布，论文口径不插补
3. AUCell 输出是相对活性：跨样本比较前按条件分层展示，不做绝对定量解读
4. ncores：Windows 多核偶发内存暴涨，2 稳妥
5. 输入建议去除正常参考亚群：如恶性 ductal 分析时剔除非恶性 D01_Ductal-CFTR 再打分