单细胞5 拟时序分析

1 拟时序分析拟时序分析是为了探索自己感兴趣的几种细胞之间的发育关系，一般不是用全部类型的细胞来做的。 打出来细胞类型供复制[1] "B_cell" "T_cells" "Monocyte" "Endothelial_cells" [5] 在做拟时序分析的时候，因为是采用差异基因进行排序的，所以要求是两类细胞或者两类以上（要选择的细胞亲缘关系要近一点，有分化的可能性，完全不挨着的细胞不太行）。 大致分析一下Tcells是成熟细胞了，NK细胞会发育成为两种状态1.4.2 经典的拟时序分析展示了一些基因是如何随着时间轨迹的变化而变化的，体现变化过程，选择q值小的（是不是忘了为啥，q值是错误值相当于 scRNA,downsample = 100) #抽样，实战不行table(Idents(scRNA))2.2 创建CellDataSet对象CellDataSet对象是Scanpy库中用于存储和处理单细胞数据的一种数据结构

R中单细胞RNA-seq分析教程 (5)

引言 本系列开启R中单细胞RNA-seq数据分析教程[1]，持续更新，欢迎关注，转发！ 10. 在这种情况下，进行所谓的伪时间细胞排序或伪时间分析会更加具有信息价值。 目前，有许多不同的伪时间分析方法。常见的包括扩散图（在 R 的destiny 包中实现）和monocle。 seurat_dorsal <- subset(seurat, subset = RNA_snn_res.1 %in% c(0,2,5,6,10)) seurat_dorsal <- FindVariableFeatures 由于关注的是分化和成熟过程中的整体分子变化，细胞周期的变化可能会对分析产生较大的干扰。因此，可以尝试通过排除与细胞周期相关的基因，来减少细胞周期对分析结果的影响。 if (is(seurat_dorsal[['RNA']], 'Assay5')){ expr <- LayerData(seurat_dorsal, assay = "RNA", layer

OSCA单细胞数据分析笔记-5 Quality control

对应原版教程第6章 http://bioconductor.org/books/release/OSCA/overview.html 在单细胞数据分析中的第一步质控往往是剔除不合格的细胞。 、细胞注释、拟时序分析等步骤 （2）异常的异质性 在后续的挑选高变基因、PCA主成分分析等。 如下结果，会剔除33个cell qc.lib <- df$sum < 1e5 qc.nexprs <- df$detected < 5e3 qc.spike <- df$altexps_ERCC_percent 往期回顾 单细胞分析十八般武艺4：velocyto clustree—聚类可视化利器 肺的正常上皮细胞可以分成这5群 明码标价之10X转录组原始测序数据的cellranger流程 ---- -- -- ---- 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 数据挖掘（GEO,TCGA,单细胞）2021第2期 生信爆款入门-2021第2期 96核心384G内存的超级服务器

Seurat_V5|单细胞转录组 + 蛋白，WNN方法分析单细胞多模态数据

前面Seurat V5|一个函数就能解决多种去批次方法，按需尝试提到V5的升级部分（https://satijalab.org/seurat/articles/get_started_v5_new）主要体现在 4个方面，本次介绍 Seurat V5 的WNN方法分析单细胞多模态数据，本文以转录组+蛋白组数据为例。 一 载入R包，数据 使用SeuratData中的bmcite数据示例，展示CITEseq数据中的单细胞转录组和蛋白数据的结合 。 确认下RNA和ADT的cell barcode 是否一致 二 WNN 模态数据处理 1，RNA标准分析 先指定默认assay为RNA，然后进行至PCA的标准分析 DefaultAssay(bm) 然后就可以进行后续的降维 聚类分析了。 4，降维聚类 上述WNN方法完成数据合并后，分别可以基于（1）转录组 （2）蛋白组 （3）以及结合权重的数据 进行UMAP 可视化分析。

单细胞专题 | 5.单细胞转录组的上游分析-从FASTQ到count矩阵

cellranger count 管道将FASTQ文件中的测序结果与参考转录组进行比对，并生成一个.cloupe文件，用于在Loupe Browser中进行可视化和分析，同时还生成了一些与其他公开工具兼容的输出 ，用于进一步分析。 ---- 下面是前面数据集的案例 单细胞专题 | 3.单细胞转录组的上游分析-从BCL到FASTQ cellranger count --id=cellranger_count \ --transcriptome test_sample \ --sample=test_sample \ --expect-cells=1000 \ --localcores=16 \ --localmem=128 \ --nosecondary 单细胞专题 | 4.单细胞转录组的上游分析-从SRA到FASTQ cellranger count --id=cellranger_count \ --transcriptome=/mnt/f/Linux/genomeAnno

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。 整体分析现在我们可以对所有细胞进行一个综合分析！ DimPlot(immune.combined, reduction = "umap", split.by = "stim")图片5. 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。

癌症研究中单细胞数据分析的5个难点

——下 4.单细胞转录组分析综述 5.一篇文章带你走进单细胞的天地 6.单细胞测序技术将彻底改变整个生物科学 7.回顾：单细胞入门-读一篇scRNA-seq综述 8.单细胞RNA-seq数据分析最佳实践 （上） 9.单细胞RNA-seq数据分析最佳实践（中） 10单细胞RNA-seq数据分析最佳实践（下） 11.综述：高维单细胞RNA测序数据分析工具（上） 12.综述：高维单细胞RNA测序数据分析工具（ 难点5：单细胞亚群之间的动态变化 动态变化以前主要是拟时序分析，我也多次介绍过： 简单直接的拟时序分析方法，R包SCORPIUS推荐 拟时序分析的10个步骤 把基因表达量画在拟时序结果图上 拟时序分析就是差异分析的细节剖析 详见：使用基于python的velocyto软件做RNA速率分析 其它单细胞高级分析 癌症研究中单细胞数据分析肯定是不只是这5个难点啦，部分其它难点我也做了相应的介绍： 10x官网下载pbmc3k数据集走 RNA速率上下游分析实战 pyscenic的转录因子分析结果展示之各个单细胞亚群特异性激活转录因子 pyscenic的转录因子分析结果展示之5种可视化 使用cytoTRACE评估不同单细胞亚群的分化潜能

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 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。 cole-trapnell-lab/monocle3') 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 完成拟时分析的细胞排序结果 ?

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

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 ,immune.clusters[5]), paste0("immune." 我比较好奇的是为社么要做两遍呢，已知是多细胞会对后面的分析有影响，直接做了就可以了，还又重复了一遍内容，难道是为了进行比对两个分析的结果吗。

单细胞测序结合生信分析发优质的5分+文章

今天和大家分享的是2020年7月发表在International journal of cancer（IF：5.145)上的一篇文章，作者通过单细胞测序技术和聚类分析、功能富集分析、预后分析等多种方法探究了喉鳞状细胞癌的细胞异质性 本研究中作者使用单细胞测序技术（scRNA-seq）进行研究，为深入理解LSCC肿瘤内异质性提供了基础。 二、分析流程 ? 使用Monocle R包进行伪时间分析，构建的单细胞轨迹见图1h，细胞状态主要分为三个阶段，左图展示不同肿瘤细胞簇的分布轨迹，右图从深到浅指示总体伪时间状态。 ? 图2b：正常，免疫和肿瘤细胞之间的配体-受体相互作用数热图 5.LSCC组织的肿瘤细胞异质性 图3a突出显示每个肿瘤细胞簇的t-SNE图，伪分化轨迹分布，共表达标记基因和GO功能富集结果。 图5b：LSCC组织中的HE染色，Ki67和SPRR3的IHC染色 ?

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 h5ad格式，参考笔记：https://www.jianshu.com/p/5b26d7bc37b7 1、加载包与环境 import palantir import scanpy as sc import 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

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。 ，输入文件为 Cell Ranger分析之后生成的.cLoupe 文件即可直接使用。 r-seurat mamba create -n umi_tools -y umi_tools 二、下载参考序列 10x 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

scanpy分析单细胞数据

scanpy和seurat是最常用的分析的单细胞的工具，seurat基于R，而scanpy基于python。 sc.logging.print_header() sc.settings.set_figure_params(dpi=80, facecolor='white') results_file = 'write/pbmc3k.h5ad =sc.read_10x_mtx('data/filtered_gene_bc_matrices/hg19', var_names='gene_symbols', cache=True) #读取单细胞测序文件 adata = adata[adata.obs.n_genes_by_counts < 2500, :] adata = adata[adata.obs.pct_counts_mt < 5, :] sc.pp.normalize_total sc.pp.regress_out(adata, ['total_counts', 'pct_counts_mt']) sc.pp.scale(adata, max_value=10) PCA主成分分析

单细胞数据分析 | 单细胞计数矩阵（Seurat)

在使用seurat进行单细胞分析的时候，大多数的教程都是用计数矩阵作为数据输入，但是我发现一些新手朋友对于不同数据库来源(GEO、BD)的数据或者想要去复现、借鉴一个感兴趣的文章中的下机数据时，不知道怎么把数据处理成 Seurat可以读入的计数矩阵，所以本篇文章就详细介绍单细胞数据的上游分析。 “Software Analysis”的界面提供了3种工具： Cell Ranger：比对质控需要用到的软件 Cloud Analysis：在线云分析软件，提供fastq文件即可分析 Loupe Browser 以下是读取GEO数据的几种常见方式，特别是如何将其导入Seurat进行分析。 1. 总的来说，大家获取数据的方式有两种，根据自己的研究目标、预算以及时间来决定是使用自己的测序数据还是依赖于公共数据库中的数据，无论哪种方式，弄懂上游分析对于下游分析有益无害哦~

​单细胞专题 | 7.单细胞下游分析——常规分析流程案例一

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 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 | 4.单细胞转录组的上游分析-从SRA到FASTQ 单细胞专题 | 5.单细胞转录组的上游分析-从FASTQ到count矩阵 单细胞专题 | 6.单细胞下游分析——不同类型的数据读入 ---- 1. ###============1、准备原始分析数据 fs = list.files('. <- sce.markers %>% group_by(cluster) %>% top_n(5, avg_log2FC) DoHeatmap(sce,top5$gene,size=3) 11.保存数据 保存数据用于后续进一步分析。

单细胞数据分析|差异表达分析

在对单细胞数据进行差异表达分析的时候，可以从全细胞和元细胞两个角度去考虑。 基于全细胞目前常见的单细胞转录组计算差异表达基因方法有DESeq2、edgeR、limma、MAST、SCDE (Single Cell Differential Expression)、Seurat import scvelo as scv # 设置 Omicverse 绘图样式 ov.utils.ov_plot_set() # 读取数据 adata = ov.read('data/kang.h5ad 所有步骤旨在优化数据质量、减少噪声并提取重要的基因特征，为后续的分析（如聚类和差异表达分析）做准备。最终，处理后的数据存储在 adata 对象中。 使用SEACells聚合细胞，然后在元细胞水平上，执行差异表达分析。

单细胞数据分析3（单细胞数据自动注释）

单细胞分析：数据整合（九）

导读 本文将学习跨条件执行单细胞整合，以识别彼此相似的细胞。 1. 目标 跨条件对齐相同的细胞类型。 2. 挑战 对齐相似细胞类型的细胞，这样就不会因为样本、条件、模式或批次之间的差异而在后续分析中进行聚类。 3. 推荐 建议先不整合分析，再决定是否进行整合。 4. 这将使下游的结果更具可解释性（即 DE 分析、配体-受体分析）。在本课中，将介绍跨条件的样本整合，该教程改编自 Seurat v3 Guided Integration Tutorial[1]。 5. 整合 利用共享的高可变基因跨条件整合或对齐样本。 如果细胞按样本、条件、批次、数据集、模态进行聚类，则整合步骤可以极大地改善聚类和下游分析。 具体来说，这种整合方法期望组中至少一个单细胞子集之间存在“对应”或共享的生物状态。整合分析的步骤如下图所示： 应用的不同步骤如下： 典型相关分析 (CCA)： CCA 识别条件/组之间的共享变异源。

URD包分析单细胞数据

raw.githubusercontent.com/farrellja/URD/master/URD-Install.R") library(URD) 因为没有找到提供的测试数据集，就用之前用seurat分析过的不同时期的心脏单细胞数据跑一边吧

单细胞geneNMF分析流程学习

非负矩阵分解是一种用于分析高维数据的方法，它可以从一组非负数据向量中提取稀疏且有意义的特征。 该方法非常适合分解单细胞RNA测序数据，有效地将大型的复杂矩阵(基因数量乘以细胞数量)分解为几个可解释的基因程序。 非负矩阵相关内容请参阅既往推文：单细胞非负矩阵分解分析python版(cNMF)学习：https://mp.weixin.qq.com/s/aTIR8eJHhXFiQZBvO72fOw转录组非负矩阵分解 geneNMF分析流程1.导入rm(list = ls())library(GeneNMF)library(Seurat)library(ggplot2)library(UCell)library(patchwork ,EFEMP1,FBLN5,...# 5: COL3A1,COL5A2,FSTL1,LUM# 6: DCN,GPX3