- 综合排序
- 最热优先
- 最新优先
- 来自专栏单细胞天地
OSCA单细胞数据分析笔记-4 Overview pipeline
Smart-seq2：通量相对较低，但测序深度高，因此适宜单细胞水平的转录本或可变剪切分析，突变检测等。 关于SingleCellExperiment介绍，可参考OSCA单细胞数据分析笔记-3 SingleCellExperiment数据结构。 2.2 基础流程 对于scRNA-seq数据分析，包含最基本的5个步骤 ? #数据包，提供很多示例scRNA-seq表达矩阵信息 library(scRNAseq) #scRNA-seq分析工具包 library(scater) ##scRNA-seq分析工具包 library 往期回顾 单细胞分析十八般武艺2：LIGER 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 明码标价之公共数据库探索 ---- ---- ---- 如果你对单细胞转录组研究感兴趣
1K20发布于 2021-04-16 - 来自专栏生物信息学、python、R、linux
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。 linux下用pip安装scanpy pip install scanpy 下载测试数据 mkdir data wget http://cf.10xgenomics.com/samples/cell-exp < 2500, :] adata = adata[adata.obs.pct_counts_mt < 5, :] sc.pp.normalize_total(adata, target_sum=1e4) sc.pp.regress_out(adata, ['total_counts', 'pct_counts_mt']) sc.pp.scale(adata, max_value=10) PCA主成分分析 使用标准化的数据进行可视化 sc.pl.umap(adata, color=['CST3', 'NKG7', 'PPBP'], use_raw=False) ?
2.4K20发布于 2020-12-21 - 来自专栏R语言数据分析
单细胞数据分析3（单细胞数据自动注释）
使用GSE218208数据为例library(celldex)#使用celldex包里的注释数据#下载到本地library(SingleR)ls("package:celldex")f = ".. file.exists(f)){ ref <- celldex::BlueprintEncodeData() save(ref,file = f)}ref <- get(load(f))#把里面的数据提取出来生成新的数据
67510编辑于 2023-10-15 - 来自专栏数据科学（冷冻工厂）
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. 想要识别存在于数据集中所有的细胞类型，因此希望观察每个簇中两个样本/条件/模态中的细胞表示。这将使下游的结果更具可解释性（即 DE 分析、配体-受体分析）。 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。
1.2K30编辑于 2023-02-27 - 来自专栏生物信息学、python、R、linux
URD包分析单细胞数据
source("https://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。 1.导入数据 library(URD) # Create an URD object, which will filter the data, then normalize and log-transform 4.Calculate Diffusion Map (未完待续) 参考：https://github.com/farrellja/URD/blob/master/Analyses/QuickStart
2K20发布于 2020-12-29 - 来自专栏天意生信俱乐部
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。 10X平台数据 上游分析主要涉及的步骤就两个：比对和质控。我们可以先从10X平台官网了解一些软件和方法。 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~
86510编辑于 2025-02-18 - 来自专栏生物信息学、python、R、linux
SCmut||分析单细胞数据突变
单细胞RNA测序(scRNA-seq)和DNA测序(scDNA-seq)都可以应用于细胞水平基因组分析。对于突变分析，scDNA-seq似乎更常见。 scRNA-seq通常具有更大的数据量和更好的数据质量。但目前DNA测序中检测突变的方法多种多样，尚不清楚这些方法是否可以用于scRNA-seq数据。 对Bulk RNAseq或scDNA-seq数据开发的突变检测方法不适用于scRNA-seq数据，因为它们会产生过多的假阳性。 他们将SCmut应用于几个scRNA-seq数据集。在scRNA-seq乳腺癌数据集中，SCmut可以识别许多高度可信的细胞水平突变，这些突变在许多细胞中都反复出现，并且在不同样品中保持一致。 在（i）中，发现的细胞水平突变在肿瘤细胞和非肿瘤细胞之间被很好地分开，在（ii）中，突变被同时在两个独立的数据集中发现。
1.2K10发布于 2020-09-03 - 来自专栏生信喵实验柴
利用cellranger分析单细胞数据
背景 当前的单细胞测序主要采用 illumina 测序平台进行测序，一般为双末端测序，测序完成之后首先需要对 illumina 测序数据进行质控过滤，过滤条件与其他分析类似。 单细胞分析流程 单细胞的数据处理主要包括 illumina 数据碱基识别，数据质控过滤，生成 feature-count 矩阵等过程。这些过程都可以使用 cellranger 完成。 4.2 细胞计数质控（cell QC） 细胞计数质控是单细胞数据分析中非常重要的内容。因为 10xgenomics 是采用液滴型的捕获细胞方法。 在单细胞分析中需要将这些多细胞以及空细胞都过滤掉，只对单细胞结果进行分析。那么如何判断是否为单细胞呢？ 一个简单的判断是根据 reads 数据的多少，例如空细胞 reads 条数少，单细胞正好，多细胞最多。
3.4K12编辑于 2022-10-25 - 来自专栏生信学习111
单细胞4
1 下载并整理数据跟上此一样，只不过下载全部数据，不用自定义。确实网速老慢，下载的花花老师分享的文件。应该先清空列表台，再解压，忘了就顺序换了一下。要注意一个问题，要在工作目录条件下。 ：单细胞数据集可能来自不同的实验批次或平台，这些批次效应（batch effects）可能导致数据在分析时出现偏差。 整合的目的是将来自不同批次的数据调整到一个共同的参考框架中，以减少批次效应，提高数据的可比性降维：之前写过。 但是有一个致命缺点，想看的基因多的话数据太多了7.5 VlnPlot三个基因有点拥挤，换成两个了8.伪bulk 转录组差异分析bulk转录组："Bulk"转录组通常指的是传统的、非单细胞分辨率的转录组分析多样本才能做这个分析 #意义是什么，好吧看到后面理解啦，话火山图用的，要不怎么花差异基因图AggregateExpression是把单细胞数据整合为常规转录组数据的方式。
1K10编辑于 2024-06-23 - 来自专栏天意生信俱乐部
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。 test_adata = ad[ad.obs['celltype'].isin(['CD4 T cells-stim', 'CD4 T cells-ctrl'])] # 执行差异表达分析 dds_meta
88110编辑于 2025-01-22 - 来自专栏R语言数据分析
单细胞数据分析1
基础知识单细胞数据的应用方向图片单细胞数据的存放位置图片单细胞数据的分析流程图片高变基因：方差最大的2000个基因。marker基因：每个细胞簇中表达显著的基因。 10X的输入数据是固定的三个文件，在工作目录下新建01_data/，把三个文件放进去。 ]@scale.data[30:34,1:3]5.1 线性降维PCApbmc <- RunPCA(pbmc, features = VariableFeatures(pbmc))##只选择了高变化基因分析 dims = 1:2, reduction = "pca")#每个主成分对应基因的热图DimHeatmap(pbmc, dims = 1:15, cells = 500)# 应该选多少个主成分进行后续分析 ", "PF4"), slot = "counts", log = TRUE)在umap图上标记FeaturePlot(pbmc, features = c("MS4A1", "GNLY", "CD3E
94920编辑于 2023-10-15 - 来自专栏数据科学（冷冻工厂）
空间单细胞｜在Seurat中对空间数据进行分析（4）
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。 Akoya CODEX 系统创建的，该系统能够进行多路复用的空间分辨蛋白质分析，逐步展示抗体的结合过程。 我们首先通过 Seurat 软件包中的 LoadAkoya() 函数来导入 HuBMAP 数据集。 _008_11022020_reg001_compensated.csv", type = "processor", fov = "HBM754.WKLP.262") 我们现在可以运行无监督分析来识别细胞簇 为了标准化蛋白质数据，我们使用基于中心对数比的标准化，就像我们通常应用于 CITE-seq 数据的蛋白质模态一样。然后我们运行降维和基于图的聚类。
54410编辑于 2024-07-05 - 来自专栏数据科学（冷冻工厂）
R中单细胞RNA-seq分析教程 (4)
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！ 8. 细胞聚类 分析 scRNA-seq 数据时，绘制标记基因的特征图通常是一个良好的起点。 因此，scRNA-seq 数据分析中更常采用基于图的社区识别算法。这里的“图”是一个数学概念，表示一组对象及其之间的关系；通俗地说，就是细胞间构建的网络。 通过这些标记基因，可以查阅文献、进行富集分析或进行实验（或咨询同行）来确定细胞簇的类型； 将每个细胞簇的基因表达图谱与已知的参考数据进行对比。 显然，第一种方法需要对研究系统有一定的了解。 logfc.threshold = log(1.2)) library(dplyr) cl_markers %>% group_by(cluster) %>% top_n(n = 2, wt = avg_logFC) 鉴于单细胞 RNA测序（scRNA-seq）数据中样本量巨大（每个细胞作为一个样本），在分析时，不仅需要关注p值，还应该考虑基因在特定细胞簇中的检测频率（pct）以及该基因在簇内外细胞表达的相对变化量（logfc）
66510编辑于 2024-12-30 - 来自专栏生物信息学、python、R、linux
cellranger分析单细胞测序数据
一般从公司拿到单细胞测序原始数据是这样的： ? image.png 因此第一步就需要把这些数据按照I1 R1 R2 用zcat追加起来 for i in `ls rawdata/Day1/*gz|cut -d '/' -f3 | cut -d '_' zcat rawdata/Day1/${i}_R2_001.fastq.gz >> mergedata/Day1/Day1_S1_L001_R2_001.fastq done cellranger的数据输入为存储数据的文件夹 #注释文件 --transcriptome=cellranger_rn6 \ --sample=Day1 \ --localcores=10 从cellranger得到表达矩阵就可以导入Seurat分析啦
1.6K30发布于 2020-04-01 - 来自专栏单细胞天地
单细胞分析十八般武艺4：velocyto
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 速率分析的原理 大家第一次听到RNA速率/速度 教程参考《华为云配置单细胞分析环境及报错处理》，最新的镜像下载地址在《kinesin_rstudio的日常升级二》中有链接。 往期回顾 clustree—聚类可视化利器 单细胞分析十八般武艺3：fastMNN 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 ---- ---- ---- 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
8.7K51发布于 2021-04-16 - 来自专栏单细胞天地
单细胞GSVA分析该用什么数据？
经常有人问我单细胞GSVA分析应该用Seurat对象中的哪个数据，因为我此前的推文《单细胞转录组高级分析五：GSEA与GSVA分析》用的counts数据，后面有一篇推文《非人物种的GSEA&GSVA分析 小结：scale.data数据并不能加快GSVA的运行时间。 分析结果对比 为了客观地对比不同数据运行GSVA之后的差异，我用pearson相关性热图给大家展示。 **从左上到右下的对角线代表相同细胞用不同数据运行GSVA分析后结果的相关性。**为了节省计算时间，我只取了前100个细胞计算相关性。 小结：GSVA分析使用counts数据和data数据没有差别，但是使用scale.data数据会影响结果。 减少基因数量可行吗？ 写这篇推文时我突发奇想：使用高变基因来做GSVA分析可行吗？ 小结：不能使用高变基因的表达矩阵代替原始表达矩阵做GSVA分析。 交流探讨：如果您阅读此文有所疑惑，或有不同见解，亦或其他单细胞需求，可以点击阅读原文联系。 ?
4.9K21发布于 2021-03-25 - 来自专栏生物信息学、python、R、linux
单细胞数据拟时序分析-destiny
单细胞数据分析常用到建立trajectory和pseudoTime，拟时序分析可以用 Diffusion（ Destiny R package） #Diffusion PseudoTime Analysis image.png detiny的数据输入格式为Biobase包建立的ExpressionSet格式的文件，如果我们的数据是表达矩阵，则数据需要转化成这个格式，如seurat包里面的数据Seurat.object celltype <- DPT@meta.data[,c("integrated_merge_cluster")] dm <- DiffusionMap(ct,k = 10) palette(cube_helix(4)
4.1K20发布于 2020-04-01 - 来自专栏单细胞天地
单细胞分析工具||ShinyCell交互式展示单细胞数据
Ouyang团队开发的单细胞分析工具包，实现基于shiny网页交互式展示单细胞数据；于2021年3月发表于Bioinformatics杂志。 ，包括Seurat， SCE(singlecellexperiment), h5ad, loom；并均提供了相应的示例文件； 如其文档所强调，ShinyCell是一个可视化工具，而不是分析工具；所以提供的单细胞数据需要已经完成基础的上游分析 = readRDS("readySeu_rset.rds") 单细胞数据里需包括 （1）标准化表达矩阵； （2）细胞meta信息； （3）降维信息。 默认情况下会使用全部的meta信息，如需调整一方面可直接修改原来的单细胞数据；另一方面也可以使用ShinyCell包进行部分修改，如下所示。 （四）：降维 单细胞最好的教程（三）：特征基因选择 单细胞最好的教程（二）：归一化 Python 单细胞分析教程（一）：质量控制 单细胞分析工具||COSG鉴定marker基因
2.9K60编辑于 2023-08-31 - 来自专栏生物信息云
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 | 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 --- - (1) 软件安装和介绍 SRAtoolkit是NCBI提供的SRA文件处理工具集， SRA文件是NCBI的SRA数据库数据的储存格式，许多公开的scRNA-seq数据都会上传到该数据库。 (2) 案例 数据地址： https://www.ncbi.nlm.nih.gov/Traces/study/? 下载后的数据使用fastq-dump命令可将sra数据转换成fastq。 • --gzip：输出gz压缩格式的fastq文件 • --split-files：分隔为上传时的多个fastq文件 • -X：输出的fastq的记录数目，这里为了教学，输出前25000条记录，实际分析时
4.5K21编辑于 2022-06-13 - 来自专栏文献分享及代码学习
单细胞数据复现-肺癌文章代码复现4
单细胞数据复现-肺癌文章代码复现1https://cloud.tencent.com/developer/article/1992648 单细胞数据复现-肺癌文章代码复现2https://cloud.tencent.com /developer/article/1995619 单细胞数据复现-肺癌文章代码复现3https://cloud.tencent.com/developer/article/1996043 前面是主要对 epi细胞进行的基本的分析。 选取癌症的样本进行分析 ##subset抓取部分的数据集的内容 epi_tumor <- subset(subset(epi_anno, subset = cluster_type == "Tumor" /results", width = 30, height = 30, units = "cm") 分析有丝分裂的发生基因 mitotic_activity <- FetchData(epi_tumor
1.2K20编辑于 2022-05-18
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