单细胞数据分析3（单细胞数据自动注释）

单细胞分析: Scanpy 核心绘图 (3)

引言 本系列讲解 使用 Scanpy 分析单细胞（scRNA-seq）数据 教程[1]，持续更新，欢迎关注，转发！ import matplotlib.pyplot as plt fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(20, 4), gridspec_kw 同时，我们希望只关注在某一细胞类型与其余细胞之间 log fold change ≥ 3 的基因。 sc.pl.rank_genes_groups_matrixplot( pbmc, n_genes=3, use_raw=False, vmin=-3, vmax=3, cmap="bwr", use_raw=False, swap_axes=True, vmin=-3, vmax=3, cmap="bwr", layer="scaled",

单细胞分析 | 使用 Monocle 3 进行发育轨迹分析

引言 在本指南[1]中，会展示如何利用Monocle 3软件和单细胞ATAC-seq数据来构建细胞发展轨迹。 为了方便在Seurat（Signac所使用的）和CellDataSet（Monocle 3所使用的）这两种数据格式之间进行转换，将使用GitHub上的SeuratWrappers包里的一个转换工具。 数据加载 将采用一个单细胞ATAC-seq数据集，该数据集包含了由Satpathy和Granja等人发布的人类CD34+造血干细胞和祖细胞。 TSS.enrichment > 2) & (bone$nucleosome_signal < 5)] 数据预处理 接下来，可以使用 Signac 运行标准 scATAC-seq 分析管道来执行降维 构建轨迹的另一种方法是使用整个数据集，并为 Monocle 3 发现的不同细胞分区构建单独的伪时间轨迹。

单细胞分析1—monocle3分析概览

资料： 官网：https://cole-trapnell-lab.github.io/monocle3/docs/starting/ Monocle 3被重新设计用于分析大型、复杂的单细胞数据集，核心算法具有高度可扩展性 ，可以处理百万级别单细胞数据。 新的轨迹依赖表达基因分析方法：替换monocle2中的differalgenetest()函数和BEAM() 3D界面可视化轨迹和基因表达 安装 if (! 工作流程的数据，如sci-RNA-Seq monocle3对象类型 Monocle使用cell_data_set类对象保存单细胞表达数据。 = "~/Downloads/features.tsv", cell_anno_path = "~/Downloads/barcodes.tsv") 大数据分析

单细胞实战之单细胞hdWGCNA分析——入门到进阶(高级篇3）

在高级篇2中回顾了用于拟时序分析的CytoTRACE2和monocle3两个工具。 本次内容涉及到的工程文件可通过网盘获得：中级篇2，链接: https://pan.baidu.com/s/1y-HHLXoXsJbgWKCdz26-gQ 提取码: yx93此外，可以向“生信技能树”公众号发送关键词‘单细胞 -性状相关性分析,也可以进行PPI网络分析。 本次分析完成了hdWGCNA的完整实践流程。基于hdWGCNA分析，研究者可以识别与感兴趣细胞亚群相关的模块基因，并进一步围绕这些模块基因开展富集分析、转录因子分析等多种下游探索。 更多精彩内容可关注公众号：生信技能树，单细胞天地，生信菜鸟团等公众号。注：若对内容有疑惑或者有发现明确错误的朋友，请联系后台(欢迎交流)。更多相关内容可关注公众号：生信方舟 - END -

单细胞分析十八般武艺3：fastMNN

单细胞测序技术的发展日新月异，新的分析工具也层出不穷。每个工具都有它的优势与不足，在没有权威工具和流程的单细胞生信江湖里，多掌握几种分析方法和工具，探索数据时常常会有意想不到的惊喜。 相关专题 单细胞初级8讲和高级分析8讲 单细胞分析十八般武艺1：harmony 单细胞分析十八般武艺2：LIGER 重温seurat官方教程 fastMNN简介 MNN是Haghverdi等人提出的一种批次校正算法 此算法是Seurat3锚点整合算法的核心部分，也被Monocle3采纳作为批次校正的算法。 数据依然使用《单细胞转录组高级分析一：多样本合并与批次校正》一文中使用的那10个样本的数据，没有数据的朋友可以添加我的微信后索取，微信二维码可以点击文末“阅读原文”找到。 往期回顾 肺的正常上皮细胞可以分成这5群 OSCA单细胞数据分析笔记-4 Overview pipeline 单细胞揭示不同类型转录重构助力人类前列腺癌研究进展 ---- ---- ---- 如果你对单细胞转录组研究感兴趣

空间单细胞｜基于图像的数据分析（3）

引言 在这篇指南[1]中，我们介绍了Seurat的一个新扩展功能，用以分析新型的空间解析数据，将重点介绍由不同成像技术生成的三个公开数据集。 这种SMI技术能够进行多路复用的单分子分析，不仅可以检测RNA和蛋白质，还能够直接应用于固定石蜡包埋（FFPE）组织。 对于这个数据集，我们并没有进行无监督分析，而是将Nanostring的分析结果与我们的Azimuth健康人类肺脏参考数据库进行对比，这个数据库是通过单细胞RNA测序（scRNA-seq）技术建立的。 19 Dendritic ## 2_1 26 23 Macrophage ## 3_ predicted.annotation.l1.score ## 1_1 0.5884506 ## 2_1 0.5707920 ## 3_

利用monocle3分析单细胞数据

背景 开始monocle3案例数据学习。 文档：https://cole-trapnell-lab.github.io/monocle3/docs/clustering/ 一、读入数据 #1 读入数据 expression_matrix <- readRDS("monocle3/celegans/cao_l2_expression.rds") cell_metadata <- readRDS("monocle3/celegans/cao_l2 _colData.rds") gene_annotation <- readRDS("monocle3/celegans/cao_l2_rowData.rds") # Make the CDS object plot_pc_variance_explained(cds) monocle3 数据处理 三、降维以及可视化 3.1 UMAP 方法 cds <- reduce_dimension(cds

单细胞专题 | 3.单细胞转录组的上游分析-从BCL到FASTQ

单细胞专题 | 1.单细胞测序（10×genomics技术）的原理 单细胞专题 | 2.如何开始单细胞RNASeq数据分析 ---- (1) 软件安装和介绍 Cellranger mkfastq 如果测序提供程序已经完成了这一步，则可以直接使用每个库的 FASTQ 文件进行数据分析。

单细胞差异分析之pseudobulk的3种实现方法

之前分享了：单细胞层面的表达量差异分析到底如何做，提到了pseudobulks方法，因为找各个单细胞亚群特异性高表达量基因（FindAllMarkers函数）以及两个亚群针对性差异分析（FindMarkers 2021-09-28 期刊：Nature Communications 链接：https://www.nature.com/articles/s41467-021-25960-2 里面提到的目前主流的单细胞差异分析方法都是 所以有必要从代码角度看看单细胞差异分析之pseudobulk的3种实现方法。 首先是rowSums方法 这个是非常容易理解的，我在之前分享了：单细胞层面的表达量差异分析到底如何做，也是这样举例： 前面的 compSce是一个seurat对象 ，它里面的comp是表型是两个分组，然后 也就是说十几个小鼠各自的单细胞转录组样品是两分组，需要做差异分析。我实际上是创造了一个do.call( cbind,lapply 的复杂语法，熟悉这些函数的小伙伴就容易理解。

单细胞monocle3分析流程再整理

重读上一篇关于monocle3的推文的时候感觉内容冗长繁琐，因此笔者把关键部分代码稍作了整理。 推文链接: 单细胞拟时序/轨迹分析monocle3流程学习和整理 https://mp.weixin.qq.com/s/NRrFH8sjdUUq20z9hWAFyQ也可以看一看monocle2推文： 单细胞拟时序 /轨迹分析原理及monocle2流程学习和整理 https://mp.weixin.qq.com/s/aVUpRIkDi83B8_Y_BSBkVA分析步骤1、导入rm(list = ls())library (paletteer)library(Seurat)library(monocle3)library(dplyr)library(BiocParallel)library(ggplot2)register 7.轨迹差异基因分析# 提取不同轨迹的差异基因/并选择前12个# neighbor_graph="principal_graph"提取轨迹上相似位置是否有相关的表达trace_genes <- graph_test

单细胞分析：整合

对干扰素的应激导致细胞类型特异性基因表达发生变化，这使得对所有数据的联合分析变得困难。 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。 目的以下教程旨在为您概述使用 Seurat 整合后对复杂细胞类型进行的各种比较分析。 整体分析现在我们可以对所有细胞进行一个综合分析！ 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。

单细胞实战之pseudobulks分析，GSVA富集分析——入门到进阶(初级篇3）

通过将差异分析与pseudobulks结合，我们能够有效地合并单细胞或小样本中的信息，获得更具代表性的群体特征，这对于高变异数据的分析尤其重要。 在单细胞RNA测序（scRNA-seq）分析中，Pseudobulk分析 是一种将单个细胞的基因表达数据聚合成群体（或称为“伪样本”）的策略。 克服单细胞RNA-seq的限制：由于单细胞RNA-seq的技术局限性，直接进行单细胞差异表达分析可能会受到较大的噪声干扰，导致结果不够可靠。 适用于没有明确分组标签的数据，如单细胞 RNA-seq 数据。3.评分方式不同GSEA：使用排名统计方法。首先对基因进行排序，然后计算基因集在样本中的富集情况。 正常样本）之间的基因集富集分析。适用于样本组间差异分析，通常应用于疾病研究、临床分型等场景。GSVA：适用于单细胞数据或没有明确分组的样本。

单细胞转录组的3种常规数据分析思路

那么这样的单细胞转录组项目也是有众所周知的常规数据分析策略啦，如果你不幸的继承了这样的“祖传”的单细胞转录组数据，也想简简单单发个文章而已，那么单细胞转录组的3种常规数据分析思路可能会对你有帮助啦。 我这里简单的分享一下自己看到的单细胞转录组的3种常规数据分析思路给大家。 而且因为是早期单细胞转录组数据分析，所以那个时候还不流行多样品的整合问题，只需要按照已知的标记基因把单细胞亚群合理的注释即可，比如下面的t细胞就散步在tsne二维图的各个地方： 小鼠心脏免疫细胞 这些免疫细胞里面的髓系和 后面可以做很多高级分析： 癌症单细胞的恶性肿瘤细胞判定新方法-SCEVAN 2款最适合单细胞数据分析的服务器配置 毛遂自荐成为你的单细胞顾问 10x官网下载pbmc3k数据集走RNA速率上下游分析实战 思路3：临床或者公共数据联合 其实这个思路的数据分析，都没必要自己测序了，有点浪费。

🤩 Monocle 3 | 太牛了！单细胞必学R包！~（七）（分析单细胞轨迹中的分支）

有时候你感兴趣的只是单细胞轨迹中的一个分支，A → B。 这个时候就可以用到monocle3中一个非常实用的功能了。 我们一起来看看怎么操作吧。 2用到的包 rm(list = ls()) library(tidyverse) library(monocle3) 3示例数据 今天做一做如何分析单细胞轨迹中的分支。 reduce_dimension(cds) cds <- cluster_cells(cds) cds <- learn_graph(cds) cds <- order_cells(cds) 5选择轨迹 分析围绕轨迹分支节点调节的基因可以深入了解控制细胞命运决定的基因

单细胞day3

umap",label = T) #昨天画图的口令，有一个label = true> p1这张图的每一个点都是一个细胞，同一个颜色的点被认为时一类细胞，那末到底是什么细胞呢，可以通过marker基因进行分析 3可视化3.1 热图> library(ggplot2)> DoHeatmap(seu.obj, features = g) + NoLegend()++ scale_fill_gradientn( levels(scRNA)library(Seurat) #"RenameIdents"是Seurat里面的scRNA <- RenameIdents(scRNA,new.cluster.ids)p3 <- DimPlot(scRNA, reduction = "umap",label = T,pt.size = 0.5) + NoLegend()p3 #没操作手动注释的所以没有p2跟花花老师的不一样是因为我用了不同的参考数据集

OSCA单细胞数据分析笔记-3 SingleCellExperiment数据结构

这是导入测序比对数据到R的第一步，也是之后分析流程的主要对象。 ? SingleCellExperiment') BiocManager::install('scater') library(SingleCellExperiment) library(scater) 值得一提的是加载基于sce的单细胞分析工具包时都会自动加载包括 2.2 简单构建sce 简单构建sce对象只需要提供单细胞count表达矩阵即可； 如下，模拟一个包含3个细胞，比对到10个基因上的count表达矩阵 counts_matrix <- data.frame 第二部分就主要聚焦于scRNA-seq的分析流程知识点。 ? 往期回顾 单细胞分析十八般武艺1：harmony 单细胞揭示不同类型转录重构助力人类前列腺癌研究进展 细胞亚群的特异性标记基因也许真的很难 RNA Velocity and Beyond 系列2—

你值得拥有的单细胞RNA测序分析工具TOP 3

近日，OMICtools针对单细胞转录组数据处理工具进行了一场投票，让我们一起来瞧瞧最受欢迎的3个工具吧！ RCA能对人类的单细胞RNA测序样品进行聚类分析，包括三种模式：1.GlobalPanel: 全局模式，默认选项用于分析各类细胞；2. ColonEpitheliumPanel： 适合分析人类肠道样品；3. SelfProjection：适用于分析不太明确的组织样品，这个模式还在继续优化中。 第三 Wishbone (python3) Wishbone利用分叉树（bifurcating branches）来识别单细胞的发育轨迹，首先支出分叉点，然后根据细胞的发育进度将每个细胞标记为分叉前(pre-bifurcation Wishbone可以分析各种测序技术得到的单细胞RNA测序数据，如单细胞质谱流式(Mass Ctyometry)和单细胞RNA测序。 ?

单细胞分析十八般武艺5：monocle3

单细胞测序技术的发展日新月异，新的分析工具也层出不穷。每个工具都有它的优势与不足，在没有权威工具和流程的单细胞生信江湖里，多掌握几种分析方法和工具，探索数据时常常会有意想不到的惊喜。 往期专题 单细胞初级8讲和高级分析8讲 单细胞分析十八般武艺1：harmony 单细胞分析十八般武艺2：LIGER 单细胞分析十八般武艺3：fastMNN 单细胞分析十八般武艺4：velocyto monocle3 简介 monocel3的优势 从UMAP图识别发育轨迹，可以继承Seurat的质控、批次校正和降维分析结果，实现“一张图”展现细胞的聚类、鉴定和轨迹分析结果。 除了轨迹分析的主要功能，monocle3差异分析方法也有其独到之处，可以做一些与seurat不好实现的分析。 monocel3的安装 先安装一些依赖包，大家安装前可以查看一下这些包是否已经安装过了。 ) 安装有困难的朋友可以使用我的镜像kinesin/rstudio:1.2，下载链接见《kinesin_rstudio的日常升级二》，使用方法见《华为云配置单细胞分析环境及报错处理》。

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 wget https://dp-lab-data-public.s3.amazonaws.com/palantir/marrow_sample_scseq_counts.h5ad Seurat对象转为 4142个细胞，16106个基因 ## (2) 标准化 sc.pp.normalize_per_cell(ad) palantir.preprocess.log_transform(ad) ## (3) 轨迹推断分析 ## (1)Run diffusion maps dm_res = palantir.utils.run_diffusion_maps(pca_projections, n_components