- 综合排序
- 最热优先
- 最新优先
- 来自专栏单细胞天地
混样的10X单细胞转录组
最近有粉丝提到是否可以把多个样本混杂到一起建立一个10X单细胞转录组库进行测序后数据分析，的确是有这样的例子，比如我前些天在Twitter看到的发表在Nephrology Dialysis Transplantation 实验设计非常简单 就是10个ESRD病人，10个正常人志愿者的血液，提取PBMC进行10X仪器的单细胞转录组数据而已。 而且，可以看到，分析其实仍然是我们一直讲解的R包及基础流程，分别是: scater,monocle,Seurat,scran,M3Drop 需要熟练掌握它们的对象，：一些单细胞转录组R包的对象 流程也大同小异 又或者，既然是纯粹的看免疫细胞的各种比例，其实跑一个流式细胞仪看看就好了，单细胞转录组有点高射炮打蚊子的感觉。不过，反正就2个10X样品，成本也很低，无所谓啦！ 既然已经定位到了健康人和疾病组的差异细胞群，就可以继续把该群细胞细分，然后具体看某个亚群的表达差异。 ? 如果你测了单细胞实在是不知道如何深入分析 其实，也许，早点发出去是最好的策略吧。
1.9K20发布于 2020-03-30 - 来自专栏Linux基础入门
单细胞转录组 | 细胞聚类分析
前言 单细胞测序的细胞数目成千上万，在后续分析中需要对其进行注释，但是对每一个细胞都进行注释不现实，因此我们需要对这些细胞进行聚类，这样只需要对聚类生成的cluster进行注释就可以了（聚成一类的细胞大概率是相同的细胞类型 读取数据 该数据为标准化后储存降维信息的数据，降维数据获取请查看：单细胞转录组 | 数据降维 scRNA <-load("scRNA1.Rdata") 5. 细胞聚类 5.1 构建SNN图（最近邻图） FindNeighbors函数格式：FindNeighbors(object,dims = 1:10,……) object：标准化后存储PCA信息的Seurat 1) ## 查看每一类有多少个细胞 table(scRNA1@meta.data$seurat_clusters) # 0 1 2 3 4 5 6 7 8 9 10
2K40编辑于 2022-12-20 - 来自专栏单细胞天地
单细胞转录组技术梳理（一）
分享是一种态度 谈起单细胞转录组测序就不得不提到北京大学汤富酬教授，2009年，汤富酬老师在博士后期间发表了世界上第一篇单细胞mRNA测序的文章“mRNA-Seq whole-transcriptome analysis of a single cell”,自此正式拉开了单细胞转录组的大门。 细胞裂解：在显微镜下人工吸取单个细胞并裂解 cDNA合成：带有锚定序列(UP1)的poly(T)引物将mRNA反转录成cDNA primer去除：消化未使用的引物 末端加尾：将Poly(A)尾巴添加到cDNA
2.4K22发布于 2020-03-27 - 来自专栏单细胞天地
单细胞转录组绘制肺癌图谱
本研究对三种肿瘤和正常肺组织样本进行单细胞 RNA 测序，全面分析了肺癌的细胞组成，发现肿瘤微环境的特征在于分化出具有非炎症特征的单核细胞来源的骨髓细胞、肿瘤相关内皮细胞、一系列血管平滑肌细胞和周细胞以及具有癌症相关成纤维细胞样特征的肌成纤维细胞 单细胞水平上探索肺癌的细胞多样性 作者选取了三名接受初次手术的先前未治疗的肺类癌患者，从中收集了肿瘤组织和正常肺实质的新鲜组织样本。
71120编辑于 2023-02-16 - 来自专栏单细胞天地
单细胞转录组技术梳理（二）
分享是一种态度 前言 上次分享了2009年汤老师的第一篇单细胞转录组研究文章中的测序方法 在这之后，许多更灵敏、更准确的单细胞转录组技术如雨后春笋般相继被开发出来。 今天继续来回顾一下2011年的单细胞转录组测序技术 STRT（Single-cell tagged reverse transcription ）。 STRT 每个样本都是通过将单个细胞挑取到预装有裂解缓冲液的96孔PCR板中，然后加入反转录试剂来产生cDNA第一链。每个孔中加入8个合成mRNA作为内部对照。 为了使反应孔结合一个特定的barcode(即使细胞特异)，STRT利用了逆转录酶模板切换机制，在每个反应孔的辅助寡核苷酸指导cDNA 3'端引入一段特异性序列（带有6bp barcode）。 用oligo-dT寡核苷酸引物(绿色)逆转录mRNA(棕色)，产生cDNA第一链，并且在3'端添加了3-6个C(胞嘧啶)； 模板转换：将辅助寡核苷酸(helper oligo , 绿色)引入到cDNA中
3.3K41发布于 2020-03-27 - 来自专栏天意生信俱乐部
单细胞转录组 | 拟时序分析
拟时序分析概述 拟时序分析（Pseudotime analysis）是一种在单细胞RNA测序（scRNA-seq）数据中重建细胞发育轨迹的计算方法。 , cell_size = 1) # Customize the plot p <- p + theme( text = element_text(size = 10 ), legend.text = element_text(size = 10), legend.title = element_text(size = 10), legend.position cell_size = 1) print(pseudotime_plot) ggsave("pseudotime_trajectory.pdf", pseudotime_plot, width = 10 top_markers(cds) # Manually select the top 50 genes top_50_genes <- time_diff_genes[1:50, ] # 提取前10
1.9K20编辑于 2025-03-13 - 来自专栏Linux基础入门
单细胞转录组 | 数据降维
前言 在对单细胞转录组数据标准化之后，需要对数据进行降维。 那么降维的目的是什么呢？ RunPCA函数格式：RunPCA(object,features = NULL, npcs = 50,……) object：标准化后的Seurat对象； features：用来进行PCA的基因：为单细胞转录组 选择纬度数时建议一般情况纬度数选择10-20之间；同时更建议根据自己的数据情况，选择多组不同的纬度数进行下游分析，找到最佳结果。 6. 保存数据 保存存储PCA信息的数据用于后续分析。
1.2K40编辑于 2022-12-20 - 来自专栏空间转录组数据分析
10X单细胞（10X空间转录组）CNV分析之inferCNVpy
阳了个阳~~~文章在10X单细胞（10X空间转录组）CNV分析回顾之CopyKAT详细回顾了copycat，还有分享的文章copyKAT推断单细胞转录组肿瘤细胞CNV（自动识别肿瘤normal和tumor 本质上，该方法通过染色体和基因组位置对基因进行分类，并将基因组区域的平均基因表达与参考进行比较。 如果有关于哪些细胞正常的先验信息（例如，来自基于转录组学数据的细胞类型注释），建议将此信息提供给 infercnv()。可以提供的不同细胞类型越多越好。 cnv.pl.umap(adata, color="cnv_score", ax=ax2, show=False)cnv.pl.umap(adata, color="cell_type", ax=ax3)还可以在基于转录组学的 adata.obs["cnv_status"] = "normal"adata.obs.loc[ adata.obs["cnv_leiden"].isin(["10", "13", "15", "
2.2K40编辑于 2022-12-13 - 来自专栏单细胞天地
单细胞转录组技术梳理（三）
回顾 单细胞转录组技术梳理（一） 单细胞转录组技术梳理（二） SMART-seq SMART（Switching mechanism at 5’ end of the RNA transcript）是一个具有里程碑意义的重要技术 作为一种单细胞测序方案，它能够在覆盖完整的转录本，能够在全基因组范围内挖掘调控网络，从而实现对单细胞转录组本异构体分析和SNA检测。尤其适用于对等位基因特异性表达或剪接变体的深入研究。 具体流程 ? 从少量或单个细胞进行cDNA扩增和文库制备： 首先在逆转录兼容缓冲液中裂解细胞， 以polyA RNA为模板，然后用带接头的oligo(dT)为引物，在SMART逆转录酶（SMARTScribeTM Reverse 优缺点 优势： 每个细胞单独建库 样本浓度要求低，起始材料低至50pg，灵活性高 可达单碱基分辨率，定位水平高 转录本覆盖度高 劣势： 非链特异性建库 转录本长度具有偏向性，对超过4Kb的序列不能高效转录 高丰度转录本被优先扩增 纯化步骤可能导致材料损失
1.6K30发布于 2020-04-27 - 来自专栏生信技能树
单细胞转录组绘制肺癌图谱
本研究对三种肿瘤和正常肺组织样本进行单细胞 RNA 测序，全面分析了肺癌的细胞组成，发现肿瘤微环境的特征在于分化出具有非炎症特征的单核细胞来源的骨髓细胞、肿瘤相关内皮细胞、一系列血管平滑肌细胞和周细胞以及具有癌症相关成纤维细胞样特征的肌成纤维细胞 单细胞水平上探索肺癌的细胞多样性 作者选取了三名接受初次手术的先前未治疗的肺类癌患者，从中收集了肿瘤组织和正常肺实质的新鲜组织样本。
36910编辑于 2023-02-27 - 来自专栏单细胞天地
三个10X单细胞转录组样本CCA整合
两个样品的10x单细胞转录组数据分析策略 其中，我委婉的指出来了，那个文章对两个两个样本的10X单细胞转录组数据的整合是有问题的，不过他们文章发表期刊是 Immunity影响因子很高，二十多分，其实单细胞对他的生物学故事来说是锦上添花 多个样本整合 单细胞水平的研究是仅次于NGS的一次生物信息学领域的革命，同样的随随便便发CNS的黄金时期也过去了，现在想发高分文章，拿多个病人的多个样本进行单细胞转录组测序是非常正常的，这篇文章就是3 这个其实是 两个样品的10x单细胞转录组数据分析策略 所展现的，只不过是那篇文章既没有提到如何整合2个10X单细胞转录组样品，也没有对细胞亚群进行生物学注释，总体来说，显得太苍白。 如果有原始数据，我们就可以完完整整走一波这个10X单细胞转录组数据处理了，10x数据上游处理都在我们单细胞天地有详细介绍： 单细胞实战(一)数据下载 单细胞实战(二) cell ranger使用前注意事项 单细胞实战(三) Cell Ranger使用初探 单细胞实战(四) Cell Ranger流程概览 单细胞实战(五) 理解cellranger count的结果 不知道大家有没有发现，单细胞转录组数据分析
2.6K31发布于 2020-03-30 - 来自专栏简说基因
单细胞转录组数据分析的10大软件流程
，得到目前引用数最多，应用最广的 10 个单细胞数据分析工具 / 流程。 Scanpy Scanpy 是一款用于单细胞转录组数据分析的 Python 工具，推出于 2017 年，主要应用于细胞聚类、差异表达和细胞发育轨迹分析。 Scanpy 为研究人员提供了高效而全面的工具，帮助他们深入了解单细胞水平的生物学特征，促进了单细胞转录组研究领域的发展。 7. CellRanger 通过整合硬件和软件，为研究人员提供了一体化解决方案，大大简化了单细胞转录组研究的复杂性，促进了对细胞异质性和功能的深入理解。 而 Seurat，不愧为单细胞转录组数据处理事实上的标准，其优异的表现得到了广泛认可。不过其最大的缺点是运算速度，如果项目的细胞数过多，运算可能会很慢。不过这主要是R语言本身的锅。
87110编辑于 2024-12-29 - 来自专栏生信技能树
10X单细胞转录组全方位吊打BD平台吗
然后呢，对于10X技术单细胞转录组呢，每次可以测好几千的细胞，每个细胞只需要5-10K的reads，而且仅仅是测RNA分子的一段即可，全部的细胞都混合在一起是一个fastq文件，虽然说有barcode可以区分 正常情况下，大家只需要按需选择10x或者smart-seq2技术平台做单细胞转录组数据即可，但现在smart-seq2这样的细胞通量很低的技术已经式微了，基本上大家都会选择细胞通量高的平台，尤其是10X 单细胞转录组技术。 单细胞转录组全方位吊打BD平台。 单个细胞检测到的基因数量问题 可以看到，具体到每个单细胞亚群，都是10x平台检测到的基因数量远多于bd平台哦： 在单细胞转录组测序中，每个细胞检测到的基因数量较高可能带来以下好处： 提高细胞类型分辨率：
37100编辑于 2024-11-21 - 来自专栏简说基因
单细胞转录组数据分析的10大软件流程
，得到目前引用数最多，应用最广的 10 个单细胞数据分析工具 / 流程。 Scanpy Scanpy 是一款用于单细胞转录组数据分析的 Python 工具，推出于 2017 年，主要应用于细胞聚类、差异表达和细胞发育轨迹分析。 Scanpy 为研究人员提供了高效而全面的工具，帮助他们深入了解单细胞水平的生物学特征，促进了单细胞转录组研究领域的发展。 7. CellRanger 通过整合硬件和软件，为研究人员提供了一体化解决方案，大大简化了单细胞转录组研究的复杂性，促进了对细胞异质性和功能的深入理解。 而 Seurat，不愧为单细胞转录组数据处理事实上的标准，其优异的表现得到了广泛认可。不过其最大的缺点是运算速度，如果项目的细胞数过多，运算可能会很慢。不过这主要是R语言本身的锅。
1.9K10编辑于 2024-01-31 - 来自专栏生信小白的专栏
单细胞转录组scruble双细胞计算
在单细胞转录组分析过程中的质控不仅仅包含对于检测基因数(n_genes),counts数和percent.mt,进行双细胞的筛选会更加科学。 scrub.plot_histogram()print('Running UMAP...')scrub.set_embedding('UMAP', scr.get_umap(scrub.manifold_obs_, 10
1K40编辑于 2023-06-14 - 来自专栏生信菜鸟团
单细胞转录组整合分析——seurat包
Seurat是一个分析转录组数据的R包，我们之前的推文对其进行过描述： Seurat 学习笔记 该包于去年新推出了整合功能。 步骤如下： 数据预处理 作者把单细胞数据放在了SeuratData等一系列包中，如果你的网速不行，可以直接到网页下载数据。 VlnPlot(pancreas.query, c("REG1A", "PPY", "SST", "GHRL", "VWF", "SOX10"), group.by = "predicted.id")
2.4K30发布于 2020-03-30 - 来自专栏生信宝典
单细胞转录组基本概念（一）
普通转录组的思路也可以应用到单细胞转录组。普通转录组相当于把一群细胞或一个器官混合到一起去提取RNA，获得的是每个细胞中RNA表达量的平均值。 ，所以说单细胞从这个来看跟普通转录组就不同在是用一个细胞测，不是用一堆细胞测。 单细胞转录组的分析流程，主要还在在后期的聚类、发育轨迹、整合分析等。 ? 下图是单细胞转录组测序技术的发展，横轴是时间，纵轴是每一个技术所能检测到的细胞的量的变化，基本服从指数的分布。 汤富酬老师在国外做博后的时候，2009、2010年2篇文章拉开了单细胞转录组测序的序幕，现在他也是单细胞领域特别高产的研究者。 根据细胞条码测序错误估计，7-10％的10 bp长度的UMI中至少有一个碱基替换。如果错误没有纠正，将会过高估计转录本的数目。
2.6K41发布于 2021-05-27 - 来自专栏青青青山的学习笔记
单细胞转录组之拟时序分析
标准流程sc_cds <- detectGenes(sc_cds, min_expr = 1) sc_cds <- sc_cds[fData(sc_cds$num_cells_expressed > 10 fullModelFormulaStr 选择按照什么找差异diff_test_res <- differentialGeneTest(cds,fullModelFormulaStr = "~Cluster")# 选择 FDR < 10% log-ratio数值进行归一化n[n>2]=2 n[n< -2]= -2n[1:4,1:4]pheatmap(n,show_colnames =F,show_rownames = F)ac=phe[,c(10,16,17 show_rownames = F,cluster_cols = F, annotation_col=ac[od,])图片---参考来源#section 3已更新#「生信技能树」单细胞公开课
4.8K22编辑于 2022-07-10 - 来自专栏生信技能树
单细胞转录组数据处理综述
很久以前无意中翻译过一篇单细胞的新闻，单细胞测序 也关注过这方面进展，北大谢晓亮组又更新了他们的单细胞全基因组扩展方法 正好我们博士阶段有一门课是写一个综述系统性的总结一个研究领域，我就很自然的选择了这个单细胞转录组的数据处理
1.5K91发布于 2018-03-09 - 来自专栏天意生信俱乐部
单细胞转录组 | 细胞互作分析
通过单细胞测序技术，可以在单细胞分辨率上推断这些细胞间的通讯模式。 为什么要研究细胞互作？ , signaling = pathways.show, width = 15, height = 6, font.size = 10 总结 完成细胞互作分析后，需要关注以下几点： 识别主要的信号通路和关键的配体-受体对 分析不同细胞群的通讯模式和功能角色 结合生物学背景解释发现的通讯网络 如有对照组，可以使用CellChat的compareInteractions
92410编辑于 2025-03-14
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