- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信技能树
单细胞分析的10个基础问题
伴随着单细胞技术的流行，我们也做了很多福利项目，帮助大家对海量的公共数据集继续普通的标准分析，这样大家可以拿我们的分析结果进行后续个性化深入分析和解读： 这个过程中，我安排工程师们整理了初次接触单细胞的小伙伴拿到了 我们的数据分析标准结果后通常的疑惑点，大家可以看看是否有同感。 因为我们质控的目的是去掉不是细胞的东西，不能排除某种状态的细胞，在下游分析中，会成为我们苦苦寻找的那一个。 在单细胞数据科学中数据质控的原则是：质控时贪婪，验证时谨慎，最大限保留数据信息。 单细胞数据分析过程中，我认为最重要的环节就是细胞亚群的注释，目前有自动化注释的SingleR 包和人工注释，这个就是仁者见仁智者见智的过程，没有好坏只要能注释出你想要的结果都是好结果，还是要说一点，人工注释的准确性会高一点 但是绝大部分的marker gene都是选取的在特定的单细胞亚群高表达基因，而且本身很多基因就是因为在某个数据集的某个单细胞亚群特异性高表达，才成为了下次分析的这个亚群的marker gene 。
4.6K32编辑于 2022-07-26 - 来自专栏生物信息云
单细胞专题 | 10.细胞周期分析
在分析单细胞数据时，同一类型的细胞往往来自于不同的细胞周期阶段，这可能对下游聚类分析，细胞类型注释产生混淆；由于细胞周期也是通过cell cycle related protein 调控，即每个阶段有显著的 marker基因；通过分析细胞周期有关基因的表达情况，可以对细胞所处周期阶段进行注释；在单细胞周期分析时，通常只考虑三个阶段：G1、S、G2M。 base_files/GeneSet/mouse_cell_cycle_genes/mouse_cell_cycle_genes/mouse_cell_cycle_genes.rds") 我们继续使用前面的数据进行分析 下面文章中的：sce3 单细胞专题 | 9.如何人工注释单细胞类群？ 具体参考文章【单细胞数据分析中scran包进行细胞周期分析时细胞周期marker基因的转换】 ###基因转换 library(clusterProfiler) library(org.Hs.eg.db)
2.5K31编辑于 2022-11-24 - 来自专栏简说基因
一键分析10X单细胞数据
今天我们来介绍一种更为简单的方法：一键处理 10X 下机数据。 STARSolo 分析 10X 基因组学的 v3 化学版本数据。 运行流程 运行流程非常简单，这也是一键分析的含义。 只需要设置： • 参考基因组（可以是服务器内置的，也可以是自己上传的） • GTF文件（可以自行上传，或使用平台提供的） • Barcode文件（来自于10X下机数据） • cDNA文件（来自于10X下机数据 如果下机数据有多条 Lane，可以直接使用 RNA STARsolo 工具进行分析： https://usegalaxy.cn > 工具 > RNA STARSolo
35110编辑于 2025-01-08 - 来自专栏空间转录组数据分析
10X单细胞免疫图谱分析汇总
图片相比较单细胞转录组，ATAC和VDJ的文章相对较少，当然了，分析起来也没有单细胞转录组那么容易，所以就导致了一般大家做单细胞都是3端转录组，ATAC和VDJ一般不考虑，不考虑不代表不重要，只是ATAC 好了，这一篇我们来汇总一下单细胞VDJ的分析，希望大家不要非在单细胞3端转录组上卷，毕竟ATAC和VDJ做的人不多，路比较宽，稍微走一走，就会达到事半功倍的效果，如果非要在单细胞转录组上卷，那付出的努力要更多才行 当然免疫相关的分析我也专业性不强，这也从侧面说明了VDJ分析的巨大潜力和研究价值，希望大家能在宽松的赛道上飞奔，而不是在单细胞转录组赛道上堵车。 ：VDJ丰度，VDJ共享序列分析，VDJ序列与轨迹分析相结合分析变化（克隆迁移）图片 文章TDO2+ myofibroblasts mediate immune suppression in malignant 和 tumor，最好也取到pbmc样本 2、分析策略1、克隆丰度的变化（这个变化包括V、D、J基因的单独变化也包括组合的变化） 3、分析策略2、分析VDJ丰度变化一般伴随着轨迹分析，研究细胞在演化过程中的
80491编辑于 2022-11-16 - 来自专栏单细胞天地
OSCA单细胞数据分析笔记10—Marker gene detection
16 #names(16): 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 以cluster 7的分析结果为例 chosen <- "7" interesting 但如图可以看到只有10个Top1，我认为是由于存在重复的gene结果导致。并且在前面出现过的基因，再后面的TopX就不再出现了。 换一个角度思考，findMarkers()函数提供的分析方法可以适用于涉及多组的Bulk RNA-seq差异分析方法。 往期回顾 NC单细胞文章复现(七)：Gene expression signatures(2) 多组学分析肺结核队列的记忆T细胞状态 单细胞混样测序至少可以区分性别 拟时序分析的10个步骤 --- - ---- ---- 如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程 生信爆款入门-2021第4期 数据挖掘（GEO,TCGA,单细胞）2021第4期 明码标价之共享
2K21发布于 2021-07-02 - 来自专栏空间转录组数据分析
10X单细胞（10X空间转录组）CNV分析之inferCNVpy
阳了个阳~~~文章在10X单细胞（10X空间转录组）CNV分析回顾之CopyKAT详细回顾了copycat，还有分享的文章copyKAT推断单细胞转录组肿瘤细胞CNV（自动识别肿瘤normal和tumor 以下函数与它们的 scanpy 对应函数完全一样，除了使用 CNV 分析矩阵作为输入。使用这些函数，可以执行基于图形的聚类并根据CNV分析矩阵生成 UMAP 图。 adata.obs["cnv_status"] = "normal"adata.obs.loc[ adata.obs["cnv_leiden"].isin(["10", "13", "15", "
2K40编辑于 2022-12-13 - 来自专栏天意云&天意科研云&天意生信云
单细胞转录组分析的10大软件流程（上）
这个开源数据库收集了几乎所有的单细胞数据分析工具，让我们能够根据工具的引用次数来判断其影响力和实用性。 接下来，让我们聚焦于引用量最高的TOP10个工具，它们代表了当前单细胞数据分析领域的最佳实践： Top1.STAR STAR (Spliced Transcripts Alignment to a Reference 2.Seurat Seurat是单细胞RNA-seq数据分析的事实标准，自2015年推出以来，凭借其卓越的细胞亚型识别和基因表达模式分析能力，成为单细胞研究领域的领军工具。 工具简介： Seurat是一款用于处理和分析单细胞RNA测序数据的R包。其主要功能包括数据标准化、降维分析、聚类分析以及数据可视化。 亮点功能： 伪时间分析：Monocle能够通过伪时间分析方法，对单细胞数据进行排序，推断出细胞从一种状态到另一种状态的转变过程，帮助研究者理解细胞分化和发育的动态过程。
1.1K10编辑于 2025-03-06 - 来自专栏生信宝典
单细胞分析Seurat使用相关的10个问题答疑精选！
NGS系列文章包括NGS基础、转录组分析 （Nature重磅综述|关于RNA-seq你想知道的全在这）、ChIP-seq分析 （ChIP-seq基本分析流程）、单细胞测序分析 (重磅综述：三万字长文读懂单细胞 Seurat旨在帮助用户能够识别和解释单细胞转录组学中的的异质性来源，并通过整合各种类型的单细胞数据，能够在单个细胞层面上进行系统分析。 实际分析时，可以尝试选择不同的值如10, 15或所有主成分，结果通常差别不大。但如果选择的主成分比较少如5等，结果可能会有一些变化。 另外要注意：用了这么多年的PCA可视化竟然是错的！！！ 3. (如何使用Bioconductor进行单细胞分析？) 还在用PCA降维？快学学大牛最爱的t-SNE算法吧, 附Python/R代码 10. Seurat与线粒体基因 ? 对一篇单细胞RNA综述的评述：细胞和基因质控参数的选择 收藏 北大生信平台” 单细胞分析、染色质分析” 视频和PPT分享 Nature重磅综述 |关于RNA-seq，你想知道的都在这 NBT|45种单细胞轨迹推断方法比较
2.7K22发布于 2020-02-26 - 来自专栏数据科学（冷冻工厂）
单细胞分析：整合
在这里，我们展示了我们的整合策略，如 Stuart 和 Butler 等人，2018 年 所述，执行整合分析以促进常见细胞类型的识别并进行比较分析。 整体分析现在我们可以对所有细胞进行一个综合分析！ 此外，我们看到的 CXCL10 等特定于单核细胞和 B 细胞干扰素反应的基因在此列表中也显示出非常重要的意义。 最后，CD14 和 CXCL10 是显示细胞类型特异性干扰素反应的基因。刺激 CD14 单核细胞后 CD14 表达降低，这可能导致监督分析框架中发生错误分类，强调了整合分析的价值。 CXCL10 在干扰素刺激后在单核细胞和 B 细胞中显示出明显的上调，但在其他细胞类型中则没有。
90910编辑于 2023-01-19 - 来自专栏简说基因
单细胞转录组数据分析的10大软件流程
正好我们前面一篇文章介绍了这样一个开源数据库：https://www.scrna-tools.org/，里面收集了几乎所有的单细胞数据分析工具，我们在这个网站上通过工具的引用数排序，截取前 10 行结果 ，得到目前引用数最多，应用最广的 10 个单细胞数据分析工具 / 流程。 CellRanger CellRanger 是由 10x Genomics 开发的单细胞数据分析工具，于 2015 年首次发布。 主要应用于单细胞 RNA-seq 数据处理，涵盖细胞特异性表达、群聚分析和基因表达定量。其优点包括高度自动化、用户友好的界面以及强大的分析工具。 SCENIC 为研究人员提供了深入了解单细胞基因调控网络的工具，有助于揭示细胞类型和状态之间的分子调控机制。 10.
78410编辑于 2024-12-29 - 来自专栏文献分享及代码学习
单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析10
单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析1：https://cloud.tencent.com/developer/article/2055573单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析 2：https://cloud.tencent.com/developer/article/2072069单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析3：https://cloud.tencent.com /developer/article/2078159单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析4：https://cloud.tencent.com/developer/article/2078348 单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析5：https://cloud.tencent.com/developer/article/2084580单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析 单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析9：https://cloud.tencent.com/developer/article/2087563代码解析Part I: Peak-to-gene
78830编辑于 2022-09-01 - 来自专栏简说基因
单细胞转录组数据分析的10大软件流程
正好我们前面一篇文章介绍了这样一个开源数据库：https://www.scrna-tools.org/，里面收集了几乎所有的单细胞数据分析工具，我们在这个网站上通过工具的引用数排序，截取前 10 行结果 ，得到目前引用数最多，应用最广的 10 个单细胞数据分析工具 / 流程。 CellRanger CellRanger 是由 10x Genomics 开发的单细胞数据分析工具，于 2015 年首次发布。 主要应用于单细胞 RNA-seq 数据处理，涵盖细胞特异性表达、群聚分析和基因表达定量。其优点包括高度自动化、用户友好的界面以及强大的分析工具。 SCENIC 为研究人员提供了深入了解单细胞基因调控网络的工具，有助于揭示细胞类型和状态之间的分子调控机制。 10.
1.7K10编辑于 2024-01-31 - 来自专栏空间转录组数据分析
10X单细胞（10X空间转录组）数据分析之代谢推断篇
答应过大家要做全套视频讲解单细胞空间的分析内容，也因为很多人骂我而暂时搁置了。没有办法，人言可畏，当然，自己也有错。 好了，开始我们今天的内容，单细胞代谢推断，我们从最新的三个软件，compass，scmetabolism以及scFEA入手分析。 图片 分析实例 图片 如上图所示，使用单细胞转录组（Th17p细胞和Th17n细胞）和代谢模型作为COMPASS的输入，经过流平衡分析（compass代谢分析算法），找到了两群细胞间异常的代谢通路及相关的反应 分析使用到的文件包括单细胞转录组数据和对应的代谢基因集，可以使用单细胞转录组的RDS文件和软件自带的代谢基因集。 代谢活性分析 首先，使用Vision算法进行代谢打分计算得分。 为了缓解这一技术短板，作者开发了一种新的计算方法，即单细胞通量估计分析(scFEA)，以从scRNA-seq数据推断细胞内代谢物的通量研究。
3.7K12编辑于 2023-03-29 - 来自专栏单细胞天地
10X Genomics单细胞免疫组库VDJ分析必知必会
2015年，10× Genomics发布了基于微流控和油滴包裹技术的Chromium单细胞系统平台，可实现高通量的单细胞转录组和单细胞V(D)J测序。 熟悉10X单细胞转录组的朋友对这一套流程绝对不会陌生：捕获 ，建库测序，拆库定量，数据分析： ? image 区别在于在单细胞水平上识别并扩增VDJ区域的基因。 10× Genomics提供了完整的实验流程和数据分析方案。实验方面更多的是经验的积累，这里我们还是关心一下拿到reads之后的生物信息学分析吧。 其实10X单细胞的生信入门的门槛是很低的，大部分工作都被它的cellranger做完了。 to=https%3A%2F%2Fsupport.10xgenomics.com%2Fsingle-cell-vdj [7] 免疫组库高通量分析工具：IGoR——更精确剖析免疫组库: https://links.jianshu.com
8.5K61发布于 2020-05-29 - 来自专栏单细胞天地
单细胞分析工具--Palantir轨迹分析
Palantir/blob/master/notebooks/Palantir_sample_notebook.ipynb Palantir是一个2019年在nature biotechnology提出的用于单细胞数据轨迹推断的 unzip Palantir-master cd Palantir-master pip install . 2）示例数据 需要准备.h5ad的单细胞数据（count表达矩阵）格式，官方提供示例数据可直接下载 pd.DataFrame(ad.obsm['X_umap'], index=ad.obs_names) # umap可视化 sc.pl.embedding(ad, basis='umap') 3、轨迹推断分析
2.7K20编辑于 2023-02-16 - 来自专栏生信修炼手册
使用Loupe Cell Browser查看10X单细胞转录组分析结果
10X genomics公司不仅为单细胞转录组数据分析提供了配套的cell Ranger软件，同时也提供了专门的分析结果查看软件-Loupe Cell Browser，该软件是一个图形界面的软件，操作非常的方便 ，支持windows和mac两种操作系统，下载地址如下 https://support.10xgenomics.com/single-cell-gene-expression/software/downloads
2.9K10发布于 2019-12-19 - 来自专栏生信技能树
IF10+空转文献复现（四）：单细胞与空转联合MIA分析
最近我们的空转单细胞专辑会更新一篇文章复现学习，这篇文章于2023年发表在高分杂志Cancer Res上，文献标题为《Spatial Transcriptomics Depict Ligand–Receptor 数据背景和空转数据读取以及基本的降维聚类分群见： IF10+空转文献复现（一）：4例HGSC患者的空转数据读取与降维聚类（文末有学习交流群） IF10+空转文献复现（二）：空转聚类结果与空转切片结合 IF10 ：空间转录组数据分析交流群2025 今天的学习内容为，对空转的数据进行注释，使用MIA的方法，处理步骤如下： Load DEG of scRNAseq from PLoS One. 2018; 13(11 注释以及差异分析见帖子：IF10+空转文献复现（三）：空转注释需要的参考单细胞数据处理与注释 现在先创建目录，加载空转的分析结果：空转分析见前面的帖子一、二 save_dir = '.. )', xlab = 'ST clusters' ) dev.off() 到这里就分析完啦，其中的代码值得细细学习与理解~ 生成的结果目录： （待续）
51211编辑于 2025-08-12 - 来自专栏生信喵实验柴
单细胞分析环境搭建
一、安装软件 1.1 Cell Ranger 下载安装（需注册） Cell Ranger 是 10X genomics 官网提供的单细胞数据分析软件。 可以直接输入 Illumina 原始数据 BCL 或 FASTQ 格式，Cell Ranger 集成了 10 x genomics 单细胞数据分析的一整套流程模块，可以直接进行碱基识别，文库拆分、细胞拆分 、输出表达定量矩阵、降维（pca），聚类以及可视化，配合另一套 Loupe Browser 软件，可以非常简单的探索单细胞数据。 Browser 下载（需注册） Loupe Browser 是 10x Genomics 官网提供的单细胞数据可视化软件，输入文件为 Cell Ranger分析之后生成的.cLoupe 文件即可直接使用 genomics 官网提供了人和小鼠的参考基因组可以直接用于 cellranger 分析，从官网可以直接进行下载。
80210编辑于 2022-10-25 - 来自专栏空间转录组数据分析
10X单细胞空间数据分析之富集篇
一、单细胞基因富集分析算法一个不算正式的引言：目前来说，基于基因集进行分析已经开发出来了很多成体系的R包或者流程，理解来看，基因集评分其实就是自定义一个评分，然后来衡量目标基因集在某组织的表达情况，进而来推断其功能富集情况 ，所以说，这个给了我们以提示，算法是一定的，但是参考基因集可以是不同的，比如说铁死亡、铜死亡、细胞衰老等等目前来看，常见的针对单细胞的基因集富集分析算法有：GSEA、GSVA、AddModuleScore ，一般来说我们选择的分组都是疾病组和对照组，那么有了趋势我们就可以回答疾病组表达的是参考基因集功能（炎症、衰老、铜死亡）是高表达还是低表达，这样其实就是很好的规避掉了单纯的ORA算法所带来的局限性一、单细胞基因富集分析算法一个不算正式的引言 ，算法是一定的，但是参考基因集可以是不同的，比如说铁死亡、铜死亡、细胞衰老等等目前来看，常见的针对单细胞的基因集富集分析算法有：GSEA、GSVA、AddModuleScore、AUCell、ssGSEA ，那么这里晨曦自然并不是仅仅止步于此二、R包实践接下来给大家介绍一个可以自用定制单细胞基因集富集分析需求同时可视化也很美观的R包——irGSEA包接下来将直接演示代码，library(Seurat)library
2.1K30编辑于 2023-06-03 - 来自专栏生信修炼手册
Seurat:用于分析10X单细胞转录组数据的R包
Seurat是一个分析单细胞转录组数据的R包，提供了t-SNE降维分析，聚类分析，mark基因识别等多种功能，网址如下 https://satijalab.org/seurat/ 基本用法如下 1. 导入10X 单细胞数据 library(Seurat) input_dir <- "/scRNA/outs/filtered_gene_bc_matrices/GRCh38/" pbmc.data <- Read10X(data.dir = input_dir) pbmc <- CreateSeuratObject(raw.data = pbmc.data, project = "<em>10</em>X") 2. 聚类分析 聚类分析用于识别细胞亚型，在Seurat中，不是直接对所有细胞进行聚类分析，而是首先进行PCA主成分分析，然后挑选贡献量最大的几个主成分，用挑选出的主成分的值来进行聚类分析。 的方式展示细胞的表达量分布，同时根据聚类结果，将同一cluster的细胞用相同颜色表示，代码如下 pbmc <- RunTSNE( object = pbmc, dims.use = 1:10,
3.1K44发布于 2019-12-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号