8+！单细胞+m6A相关分析~

背景介绍 单细胞数据分析在近几年一直是个热点，今天小编为大家带来的这篇文章，作者通过非负矩阵分解 (NMF) 分析了来自 33 个 CRC 肿瘤样本的单细胞 RNA-seq 数据的总共 65,362 个单细胞 伪时间分析显示，m6A RNA 调节因子在包括成纤维细胞、NK 细胞、巨噬细胞、CD4 + T 细胞和 CD8 + T 细胞等在内的 TME 细胞的轨迹过程中发挥着关键作用（图 2A)。 04 m6A介导的T/B细胞表型强调了CRC中的抗肿瘤免疫反应 在检测到的 23,115 个 T 细胞中，本研究确定了 8 种主要细胞类型，包括 CD4+、CD8+、Treg、NK等，以进行进一步分析（ 然后，根据 m6A 介导的 TME 细胞的所有 DEG，本研究使用 GSVA 计算 m6A 子评分，并通过对来自8个和11个CRC队列的1892和2315例CRC患者的OS和RFS进行meta分析，探讨它们在 图 6 小编总结 本研究首次通过单细胞测序分析方法，鉴定了TME细胞特异性RNA m6A修饰的细胞亚型，揭示了m6A甲基化介导的肿瘤微环境细胞间通讯在调控肿瘤生长和抗肿瘤免疫调节过程中的作用。

单细胞分析十八般武艺8：Garnett

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 单细胞分析十八般武艺 5：monocle3 单细胞分析十八般武艺6：NicheNet 单细胞分析十八般武艺7：CellChat Garnett简介 分析原理 Garnett使用人工定义的marker基因信息来选择细胞，然后基于这些细胞使用弹性网络回归 as.data.frame() pbmc <- AddMetaData(pbmc, metadata = cds.meta) 分类结果对比 Azimuth分类 Azimuth的详细说明和使用方法见《单细胞分析十八般武艺 往期回顾 人类皮肤衰老过程的单细胞转录组全景图 Barcoding || 海量单细胞的关键技术 单细胞转录组的质控降维聚类分群和注释哪个步骤最关键 ---- ---- ---- 如果你对单细胞转录组研究感兴趣

R中单细胞RNA-seq分析教程 (8)

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！ 3. 如何比较不同数据整合方法 当数据集完成整合后，就可以进一步开展多种分析了，这些分析内容包括但不限于第 1 部分提及的细胞聚类、标记识别、细胞聚类重新注释、伪时间分析、分支点分析以及 RNA 速度分析等。 此外，还能对同一聚类中不同样本或条件下细胞的差异表达情况进行分析。 不过，在深入研究前，需要确定采用哪种数据整合方法。

OSCA单细胞数据分析笔记8—Dimensionality reduction

； （4）基于上述因素，单细胞数据降维就是使用几十个维度的特征信息，来衡量细胞间的距离，大大减少计算量；并且可一定程度上去除技术误差，以及对细胞间相对位置的二维可视化提供便利。 参考教程视频（statquest）：【中字】主成分分析法（PCA）| 分步步骤解析 看完你就懂了！(https://www.bilibili.com/video/BV1C7411A7bj? "percentVar") # [1] 24.5181077 7.1739169 4.8484962 2.7507716 2.3263866 1.4646539 1.0064506 # [8] 往期回顾 多发性骨髓瘤发展过程中肿瘤和免疫细胞的共同进化 单细胞数据Seurat包的tSNE三维可视化 任意细胞亚群的差异分析 进阶版—doplot可视化多个单细胞亚群的多个标记基因 单细胞亚群细胞数量不一致 提取单细胞亚群进行后续再分析 ---- ---- ---- 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3期 数据挖掘线下重启(长沙站)(周六日

单细胞转录组差异分析的8大痛点

他们提到了单细胞数据分析的“诅咒”（curses）。 单细胞转录组差异分析之所以困难，主要是由于以下8个方面的原因： 标准化（Normalization）问题： 单细胞数据需要经过标准化来校正PCR扩增偏倚、批次效应以及数据分布的偏差。 计算复杂性： 处理和分析单细胞数据需要复杂的计算方法和较大的计算资源。 基于广义线性混合模型（GLMM）做单细胞转录组差异分析 在这篇论文中，作者提出了使用广义线性混合模型（Generalized Linear Mixed Model, GLMM）来处理单细胞转录组数据的差异表达分析 数据集涉及8种不同的细胞类型，每个细胞类型分为未刺激对照组和IFN-β刺激组。

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。

单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析8

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 6：https://cloud.tencent.com/developer/article/2085385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7：https://cloud.tencent.com

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 sc.pl.embedding(ad, basis='umap', layer='MAGIC_imputed_data', color=['CD34', 'MPO', 'GATA1', 'IRF8' palantir.plot.highlight_cells_on_tsne(umap, cells) 指定基因在不同发育路线的变化趋势 genes = ['CD34', 'MPO', 'GATA1', 'IRF8'

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.read_10x_mtx('data/filtered_gene_bc_matrices/hg19', var_names='gene_symbols', cache=True) #读取单细胞测序文件 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。 Expires=1712352870&Key-Pair-Id=APKAI7S6A5RYOXBWRPDA&Signature=lAp0t6wo-oNLmAhcfNGu6Nqie6OOcWcWoZWx9Lj2JxE8Gj1Do8p2rVYH Expires=1712352870&Key-Pair-Id=APKAI7S6A5RYOXBWRPDA&Signature=lAp0t6wo-oNLmAhcfNGu6Nqie6OOcWcWoZWx9Lj2JxE8Gj1Do8p2rVYH 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. points = top10, repel = TRUE) P4 <- LabelPoints(plot = P2, points = top10_mvp, repel = TRUE) P3+P4 8. sce <- JackStraw(object = sce, num.replicate = 100) sce <- ScoreJackStraw(object = sce, dims = 1:20) P8 <- JackStrawPlot(object = sce, dims = 1:18) P7 + P8 10.细胞聚类 在Seurat包中，对于单细胞数据先过滤，再标准化，再PCA降维，再聚类的过程，

​单细胞专题 | 8.单细胞类型注释之SingleR包详解

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 单细胞专题 | 7.单细胞下游分析——常规分析流程案例一 ---- 单细胞转录组的结果其实就是基因和细胞的矩阵，基于此数据可以做PCA、tSNE、差异分析等，那么已有的Seurat工具便可做此类分析，进行数据的可视化 SingleR是一个R包，是单细胞数据分析中细胞注释工具，它可以根据已有的参考数据集对单细胞数据进行自动注释，并且能够与Seurat工具结合，直接使用Seurat的结果作为输入数据，简单快捷。 ：单细胞专题 | 7.单细胞下游分析——常规分析流程案例一 library(SingleR) library(Seurat) load('data/sce.output.merge.GSE130001.

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 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。 0.05, logp_max=10) # 绘制火山图 dds_meta.plot_volcano(title='DEG Analysis', figsize=(4, 4), plot_genes_num=8,

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]。 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 weight.explained = 0.7, max.genes=100)5.对基因programs进行GSEA分析

单细胞空间转录组分析

image.png 下面就是跟单细胞一样的流程：降维聚类 brain <- RunPCA(brain, assay = "SCT", verbose = FALSE) brain <- FindNeighbors SpatialDimPlot(brain, cells.highlight = CellsByIdentities(object = brain, idents = c(1, 2, 5, 3, 4, 8)

单细胞差异分析方法评测

，pseudobulks方法要优于single-cell分析方法，指出现在的很多发表的差异分析方法是错误的，会有太多的假阳性 Our findings suggest that many published 图1：系统性评测 目的就是看差异分析方法能不能得到最接近生物学差异的结果，因此作者使用了真实实验得到的数据，而不是模拟的数据。 它们的逻辑是：先把生物重复的样本整合，形成“pseudobulks”，再进行统计分析，而不是直接进行单个细胞间的比较，这两种逻辑的方法差异还是很明显的（图d）。 那么这里作者想：如果我先不整合，直接对每个细胞进行接下来的统计分析，效果如何呢？ 人和小鼠的scRNA数据对比，人的生物学重复波动要更大，因此解决单细胞组织差异性，对于差异分析至关重要