- 综合排序
- 最热优先
- 最新优先
- 来自专栏单细胞测序
单细胞测序—2次分群
单细胞测序—2次分群 Seurat里的FindClusters函数设置的resolution数值越大，分群的数量就越多，但是当单细胞数量太多的时候，会遇到resolution再变大，分群的数量也不再增加的情况 这里的示例数据seu.obj.Rdata是GSE218208降维聚类分群的结果，参照单细胞测序—GSE218208(流程简化) rm(list = ls()) library(Seurat) library (dplyr) load("../2.GSE218208/seu.obj.Rdata") p1 = DimPlot(seu.obj, reduction = "umap",label=T)+NoLegend ) %>% pull(gene);top10 ## [1] "JCHAIN" "IGKC" "MZB1" "PACSIN1" "WNT10A" "MAP1A" "VASH2" = DimPlot(seu.obj,label = T)+NoLegend() p1+p2 对比二次分群前的结果，可以看到DC被进一步划分为M1，M0两群。
62311编辑于 2024-07-31 - 来自专栏全栈程序员必看
单细胞测序流程(单细胞rna测序)
系列文章目录 文章目录 单细胞测序流程（一）简介与数据下载 单细胞测序流程（二）数据整理 单细胞测序流程（三）质控和数据过滤——Seurat包分析，小提琴图和基因离差散点图 单细胞测序流程（四） 主成分分析——PCA 单细胞测序流程（五）t-sne聚类分析和寻找marker基因 单细胞测序流程（六）单细胞的细胞类型的注释 单细胞测序流程（七）单细胞的细胞类型轨迹分析 单细胞测序流程（八）单细胞的 marker基因转化和GO富集分析 单细胞测序流程（九）单细胞的GO圈图 本期主讲内容——单细胞的kegg富集分析和圈图 咱们在上一个课程中进行了GO圈图绘画，但是我富集分析并不只是有GO，kegg ; while(my $line=<RF>){ chomp($line); my @arr=split(/\t/,$line); $hash{$arr[2]}="$arr[0]"; } close 单细胞测序流程所有课程到这里就已结束了 以后我会更新一写现在比较流行的tcga挖掘 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/127991.html原文链接：
2.3K42编辑于 2022-07-31 - 来自专栏生信喵实验柴
单细胞测序概述
但如果进行单细胞检测（图 2，可以看出心脏的细胞构成实际上非常丰富，不仅有心肌细胞，还包括成纤维细胞（Fibroblasts）、内皮细胞（Endothelial cells）、血管内皮细胞（Vessel 有了这些最新的改进，单细胞免疫分析 v2 大大提高了灵敏度，能够实现稀有细 胞群体和稀有表型的检测。大规模和高分辨率的全面免疫表型分析从未变得如此触手可及。 目前的单细胞免疫分析包括： 1、免疫组库分析 2、细胞表面蛋白 3、抗原特异性 4、CRISPR Screening 4.2.1 单细胞免疫组库( 2、肿瘤异质性 构建整合的单细胞和空间图谱，揭示肿瘤内异质性，并追踪肿瘤内和跨癌种克隆进化的转录组和表观遗传调控因子。 2、精神疾病 采用单细胞和空间技术来探索精神疾病的分子基础。表征与疾病相关的细胞表型，并发现新的病理学影响。探索神经细胞的调控网络，并鉴定各种细胞类型和状态的表观遗传调控因子。
5.3K21编辑于 2022-10-25 - 来自专栏生信喵实验柴
单细胞测序原理
单细胞测序分析流程图 不同单细胞测序平台主要差别也主要在于单细胞捕获分选的方法不同。在细胞分选的方法里，主要包括特异性分选和非特意性分选两类方法。 官网：https://www.fluidigm.com.cn/ 2、微液滴 微液滴的代表产品是 10 x genomics 单细胞测序系统，该系统是基于 drop-seq 原理。 二、10x 单细胞测序技术 10x genomic 公司于 2016 年 2 月推出 10x Chromium Single Cell Gene Expression Solution， 但单细胞测序中每个细胞只测序约 2 万条 reads，这个时候 PCR 扩增带来的偏差就有较大的影响，因此在单细胞测序中，通常需要使用 umi 分子标记。 一个完整的文库包括： reads 1 ：barcode 与 umi 序列，v2 试剂读长 26bp，v3 试剂 28bp reads 2 ：转录本序列，v2 试剂读长 98bp
2.6K20编辑于 2022-10-25 - 来自专栏科研猫
单细胞测序系列（1）--单细胞全基因组测序
仅2018年，他的研究团队就发表了11篇单细胞测序方向文章，获得了单细胞测序领域的接连重要成果。 今天，我们就来说说单细胞测序的整套流程，以单细胞基因组测序为例，主要包括四个步骤： 单细胞分离→全基因组扩增→高通量测序→数据分析。 2 单细胞全基因组扩增 单细胞全基因组扩增(whole genome amplification,WGA)其原理是通过将单个细胞溶解得到微量基因组DNA进行高效地扩增，获得高覆盖度的单细胞基因组的技术。 2）多重链置换扩增（MDA） MDA 技术是在恒温下利用具有强模板结合力的 phi29DNA 聚合酶和六聚物进行链置换扩增反应。 目前为止，大规模平行测序技术主要在２大平台上进行检测：Illumina公司的HiSeq/MiSeq平台以及Thermo Fisher Scientific公司的Ion Torrent测序平台。
6.3K42发布于 2019-09-24 - 来自专栏单细胞天地
AD 单细胞测序
10X建库测序后，用cellranger2.0，处理。参考基因组是hg38 genome (GRCh38.p5)的pre-mRNA（因为是测的核）。 nuclei，使用的是scanpy包对表达矩阵进行归一化，挑选3,188 高变化基因，使用top10的PC进行分类，初步分类是：20 pre-clusters with a median number of 2,990 单细胞与Bulk数据的一致性分 文章中使用了两种方法对单细胞进行差异分析：秩和检验与FDR多重矫正和使用R包lme4和RUV-seq计算的泊松混合模型。 并将bulk数据获得的差异基因与单细胞数据观察到的在不同细胞类别中具有扰动的基因进行比较，获得bulk数据与单细胞数据的一致性。 ? 是通过kohonen R包构建SOM，然后与其他临床表型等因素进行相关性分析 2.对来自ROSMAP cohort studies的白质数据的统计分析。文章中有描述，这里就不赘述了。
1.1K50发布于 2020-03-30 - 来自专栏生物信息云
单细胞测序技术原理
一.基本原理 单细胞测序首先不是仅仅对一个细胞进行测序，而是说该项技术能对单一细胞的基因组或转录组进行测序，可以理解为单细胞水平上的测序。 2、基于标签（barcode）的单细胞识别。它的核心思想是：在对每个细胞的mRNA测序前做逆转录时，为其加上独一无二的标签序列。 而单细胞测序技术可以更精准无偏倚的来对细胞进行分群。尤其是对免疫学，肿瘤学，遗传学的研究将会带来巨大影响。 2、分析稀有的细胞，特别是特定时空环境下的细胞。比如从环境中取样的微生物等。 5、已经通过传统的测序方法进行大规模测序，希望以此挖掘数据冲击重量级期刊的小伙伴们请注意，单细胞测序在高分期刊的发表已成井喷之势，几年之后技术必将更加成熟 二.要实现单细胞转录组测序，需要解决2个难题： 下面分别介绍单细胞转录组的三个扩增技术： SMART扩增技术： ? SMART扩增技术最核心的技术，就是设计了2个特殊的引物。再配合用MMLV逆转录酶进行逆转录。
4.5K23发布于 2020-11-03 - 来自专栏单细胞天地
空间单细胞DNA测序
一图胜千言，很容易看明白这个流程，就是先对组织样品进行染色，这样可以区分3种细胞，然后利用LCM技术来挑选微小区域的细胞，再利用laser catapulting精准的挑选一个单细胞去建库测序，单细胞的 如上图所示，对4号病人，作者在2额病变区域采用，共分析了46 in situ cells and 58 invasive cells 单细胞DNA测序数据。 比较奇怪的是有4个病人都是单克隆，或者说仅仅是从单细胞DNA测序得到的拷贝数变异无法区分不同的克隆。 作者接着利用WES数据的somatic mutation信息和CNV信息，使用 PyClone 2进行亚克隆推断，发现比前面单细胞的CNV信息推断的要多，作者认为是因为ducts区域的点突变多样性先发生了 还有从这10个病人里面取的1293个单细胞的DOP-PCR测序，这些数据只用来找CNV了。 还有部分基因的超深度测序(~45万X)，看mutation frequency的变化情况，研究超低频突变。
85311发布于 2020-03-27 - 来自专栏单细胞测序
单细胞测序—不同格式的单细胞测序数据读写(多样本)
单细胞测序—不同格式的单细胞测序数据读写(多样本)这里记录下不同格式的单细胞测序数据读写，存在5种常见的单细胞测序数据。 function(pro){ # pro=samples[1] print(pro) tmp = Read10X(file.path(dir,pro )) if(length(tmp)==2) 这里的 if语句检查 tmp 是否包含两个数据层：if(length(tmp) == 2)：如果 tmp 的长度为2，说明它包含两个不同的数据层（如gene expression和 protein expression else { ct = tmp }：如果 tmp的长度不是2，那么直接将 tmp赋值给 ct。在这种情况下，ct 包含的是单层数据，如基因表达矩阵。 1.3 补充：GEO下载数据整理脚本如在GEO下载测序数据时候，我们需要进行初步的数据整理，即将每个样本的三个数据文件（barcode\features\matrix）整理在各自的文件夹中，并规范命名。
2.8K23编辑于 2024-08-25 - 来自专栏单细胞天地
单细胞测序基础知识
测序流程：现在主流的主要10X Genomics Chromium（较多细胞），SAMRT-seq2（较多基因）和Fluidigm C1等。 测序方法 二、单细胞测序流程 ? 测序流程 三、方法主要分为两大部分：定量与分离。 单细胞定量 包括两种类型：全长以及基于标签(tag)。 四、分析流程 黄色部分对于高通量数据的处理都是差不多的流程； 橙色的部分需要整合多个转录组分析流程以及显著性分析，来解决单细胞测序的技术误差； 蓝色是下游表达量、通路、互作网络等分析，需要使用针对单细胞研发的方法 单细胞转录组测序主要应用方向 1.大规模细胞图谱构建 特定组织裂解后通过单细胞测序获得单细胞转录组图谱，并基于每个细胞基因表达谱数据进行细胞类型聚类，分析研究复杂器官中不同细胞亚型的功能，了解细胞间的差异以及各种细胞群体间的协作关系 2.细胞亚群细化&稀有细胞类型鉴定 在单细胞类型聚类基础上，依照已知细胞类型标志基因表达情况和新基因表达情况，进一步细分细胞类型并发现新的细胞亚群，分析各个小亚群细胞差异，小亚群细胞和稀有细胞类型在生物学过程参与的功能
2.7K31发布于 2020-03-27 - 来自专栏用户7627119的专栏
单细胞测序联合CRISPR技术
单细胞CRISPR筛选是将CRISPR筛选与单细胞转录组测序（scRNA-seq）相结合，探索基因功能和遗传调控网络的方法。 本文提出了一种直接捕获的Perturb-seq筛选方法，结合CRISPR技术与scRNA-seq技术，实现组合遗传扰动的单细胞分析。 靶标特异性引物退火以捕获修饰的sgRNA恒定区（CR）中的序列（cs1和cs2），从而实现sgRNA的RT和sgRNA序列的有效标记。 ? 这些序列靶向30种基因和2个非靶向对照。 在恒定的测序深度下，与基于GBC的方法相比，两种直接捕获平台的捕获能力更高（图a），捕获率随guides的不同而改变（图b,c）。 图3 胆固醇生物合成和DNA修复基因之间遗传互作 4) 提高筛选效率 为了进一步实现单细胞CRISPR筛选工作，测试每个基因向同一细胞共递送了多少个sgRNAs。
2.4K20发布于 2020-08-06 - 来自专栏单细胞测序
单细胞测序—基础分析流程
这些文件结合起来，提供了每个细胞的基因表达信息，通常用于后续的单细胞RNA测序数据分析。稀疏矩阵矩阵中的 . 值表示 0（未检测到分子）。 UMAP常用于单细胞RNA测序数据的可视化，因为它能够有效地展示数据中的簇状结构（即不同的细胞群体）。 在单细胞RNA测序数据分析中，UMAP和t-SNE（t-distributed Stochastic Neighbor Embedding）是常用的降维和可视化方法。 它们的目的是将数据中的高维特征压缩到2D或3D空间中，以便识别和解释数据中的簇或模式。问：执行UMAP是否还有执行PCA的必要呢？单细胞测序的后续分析流程，是否是主要基于UMAP的分析结果呢？ 虽然在单细胞RNA测序数据分析中，高变基因和Marker基因经常被研究者特别关注，但它们的定义和用途是不同的。
2.3K14编辑于 2024-07-30 - 来自专栏单细胞测序
开篇-单细胞测序分析00
基于RNA seq转录测序火爆的情况，开发了单细胞测序技术。 单细胞测序技术 根据取样的不同，单细胞测序技术分为单细胞转录组测序技术和单细胞空间转录组测序技术，当然还有更加的细分，比如smart seq2，ATAC等，我们这里只介绍符合10x规范的单细胞数据分析， 单细胞转录组测序 单细胞转录组测序顾名思义就是基于单个细胞的转录水平的测序，利用的原理就是经典的油包水检测原理，将细胞打散然后进行耽搁细胞的建库分析。 单细胞空间转录组测序 单细胞空间转录组测序核心技术与单细胞准路测序一致，只是在取样上需要根据组织结构进行，因而涵盖了更多的信息，当然需要的人力和资金自然更多。 单细胞测序计算环境配置（测试环境，你可以加VX：cll7658获取，已经预装所有程序） 2. 单细胞数据获取（自测数据以及五花八门的数据库下载数据的整理和清洗） 3.
74000发布于 2021-08-11 - 来自专栏单细胞测序
单细胞测序—标准流程代码(2) — 标记基因与细胞注释
单细胞测序—标准流程代码(2) — 标记基因与细胞注释书接上回，已经做好数据质控、过滤、去批次、降维聚类分群后，接下来就是进行细胞注释方面的工作step4: 看标记基因库# 原则上分辨率是需要自己肉眼判断 sce.all.int: 输入的单细胞对象（SingleCellExperiment 或 Seurat 对象），包含了所有细胞的数据。 assay = 'RNA': 指定使用RNA测序数据进行分析。slot = 'data': 指定从数据的哪个部分提取表达值，这里选择 data插槽，通常包含标准化后的表达数据。 qc-Vlnplot1.pdfqc-Vlnplot2.pdfqc-Scatterplot.pdfstep5: 确定单细胞亚群生物学名字一般来说，为了节省工作量，我们选择0.1的分辨率进行命名因为命名这个步骤是纯人工 (object = pbmc_small, slot = 'BuildClusterTree'))# plot(pbmc_small@tools$BuildClusterTree)# 如果是手动给各个单细胞亚群命名
1.9K11编辑于 2024-08-22 - 来自专栏作图丫
跟着小鱼头学单细胞测序-scRNA的测序基础
导语 GUIDE ╲ 单细胞测序(single-cell sequencing)，顾名思义就是能从单个细胞中获取遗传信息的测序技术。 单细胞测序技术为什么近来大火，那么它能帮科研工作者能解决哪些问题？单细胞测序技术原理和以及存在的问题有哪些？带着这些疑问，今天起跟随小编开启单细胞学习之路。 cRNA-seq 发展概述 单细胞转录组测序(single-cell RNA-seq)这项技术是由Tang et al.[1]在2009 年首次发表，但是由于测序的成本和当时有限的protocols，直到 ., [2]. scRNA-seq 优势 为什么我们要使用单细胞测序？它与传统的bulk sequencing相比具备哪些优势呢？ 小编总结 随着单细胞测序技术的不断成熟，此类数据会越来多，在高分期刊的发表也越来越常见。然而与传统的测序数据相比，单细胞数据分析则更加的复杂。
1.6K10编辑于 2022-03-29 - 来自专栏用户7627119的专栏
单细胞转录组测序联合外显子组测序
随着高通量测序技术的不断发展，科研领域对测序技术的应用也越来越广泛。可以发现，现在的研究已经从单一组学的研究逐渐过渡到多组学联合使用，从基因组，转录组或蛋白组等多层面共同解析生物学意义。 单细胞研究同样如此，单细胞转录组学（scRNA）可以联合外显子组测序，从而从多个维度来解析单个细胞的生物学特性。 根据CNV矩阵及SNP矩阵进行主成分分析，可以结合细胞类型直观展示细胞间的差异（图2，CNV结果的主成分分析图，细胞距离越近表示变异越相似）。 ? 图2 联合分析 众所周知，生理病理的发生发展是一个复杂的过程，基因变异、基因表达水平的改变等都会影响其发生发展，基于单一组学的研究往往难以揭示其复杂性，而多组学分析则可能让我们的研究柳暗花明。 图4 其次，对于单细胞转录组数据分析得到单细胞的SNP信息（转录水平），最后根据单细胞变异信息及样本亚克隆结构信息通过cardelino软件将单细胞分配至其所属亚克隆上，并结合单细胞的注释信息（单细胞转录组分析内容
2.2K31发布于 2020-08-06 - 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 '_' -f 1,2,3 |sort |uniq`; do zcat rawdata/Day1/${i}_I1_001.fastq.gz >> mergedata/Day1/Day1_S1_ Day1/${i}_R1_001.fastq.gz >> mergedata/Day1/Day1_S1_L001_R1_001.fastq 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，如： ?
1.6K30发布于 2020-04-01 - 来自专栏单细胞天地
单个样品测序了近2万个单细胞怎么办
但是怕就怕实验环节出问题了，测序2万个单细胞甚至更多，就麻烦了。 2万个单细胞：In total, 19,663 single cells were profiled. 近2万个单细胞，过滤后是不到1万，挺好的。 上游分析流程 02.课题多少个样品，测序数据量如何 03. 过滤不合格细胞和基因（数据质控很重要） 04. 过滤线粒体核糖体基因 05. 去除细胞效应和基因效应 06.单细胞转录组数据的降维聚类分群 07.单细胞转录组数据处理之细胞亚群注释 08.把拿到的亚群进行更细致的分群 09.单细胞转录组数据处理之细胞亚群比例比较 最基础的往往是降维聚类分群
1.7K70编辑于 2022-04-18 - 来自专栏单细胞测序
单细胞测序—拟时序分析综合
单细胞测序—拟时序分析综合拟时序分析（Pseudotime Analysis）在单细胞测序（Single-cell RNA-seq）中是一个重要的分析步骤，主要用于研究细胞在发育过程或其他生物学过程中所经历的状态变化 通过拟时序分析，可以获得比传统方法更细致的关于细胞命运决定过程的见解，这对于理解复杂的生物过程、疾病机理，以及开发新的治疗策略具有重要意义1 数据导入准备单细胞RNA测序数据分析环境。 fd <- ...在使用 Monocle2 进行单细胞 RNA 测序数据分析时，数据的格式需要符合特定的要求，以便能够利用 Monocle2 的功能。 在单细胞 RNA 测序数据中，通常存在数千个基因，而降维的目的是将高维数据压缩到一个低维空间，以便可视化和分析。max_components = 4指定降维后保留的最大成分数量（或维度）。 num_clusters = 4, gene_num = 400, enrich_db = "org.Mm.eg.db",organism = "mmu")代码解释 clusterAndVisualize 函数用于对单细胞测序数据中的拟时序分析结果进行聚类和可视化
3.1K14编辑于 2024-08-30 - 来自专栏单细胞测序
单细胞测序—PDA文章复现_单分组(Fig.1_Fig.2)
单细胞测序—PDA文章复现_单分组(Fig.1_Fig.2)最近在学习复现Cellular heterogeneity during mouse pancreatic ductal adenocarcinoma sce.all)print(dim(sce.all))print(dim(sce.all.filt))setwd('../')sp='mouse'###### step3: 无需harmony整合多个单细胞样品 /scRNA_scripts/check-all-markers.R'){ marker_paper <- c("Amy1", "Amy2a2", "Pyy", "Sst", "Ins1", "Ins2 ggsave(paste('paper_marker_and_tsne.pdf'),width = 12,height = 10) }setwd('../') getwd()###### step5: 确定单细胞亚群生物学名字 $ClusterID %in% c( 13 ),2]='Fibroblasts-3' celltype[celltype$ClusterID %in% c( 0,2,9),2]='Fibroblasts
44810编辑于 2024-09-03
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