- 综合排序
- 最热优先
- 最新优先
- 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. FindClusters(scRNA1, resolution = 1) ## 查看每一类有多少个细胞 table(scRNA1@meta.data$seurat_clusters) # 0 1 2 # 对选定的特征运行umap降维 scRNA1 <- RunUMAP(scRNA1, dims = pc.num) # 绘制降维图 plot2 = DimPlot(scRNA1, reduction = "umap") # 将图输出到画板 plot2 查看图片 7.3 合并tSNE与UMAP # 合并图片 tSNE_UMAP <- CombinePlots(plots = list(plot1,plot2
2K40编辑于 2022-12-20 - 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。 最后，将患者 2 和 3 的肿瘤分配给 A1 cluster，将患者 1 的肿瘤分配给 A2 cluster和 B cluster。 在诊断为典型类癌的病例 1 中发现周细胞占比最高，而在诊断为非典型类癌的患者 2 和 3 中的周细胞较少。 肿瘤组织中平滑肌细胞低表达周细胞标记基因，例如COX4I2和PDGRB；周细胞高表达 RGS5 和ACTA2， 一种参与周细胞发育的基因，一种是平滑肌标记基因。
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（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 第一链的3'端 合成cDNA第二链：使用带有另一个锚定序列(UP2)的ploy(T)引物合成第二链cDNA PCR扩增：用UP1和UP2引物通过PCR均匀扩增cDNA cDNA打断：将扩增后的cDNA打断 加接头：将P1和P2接头连接到打断的序列片段末端 文库扩增：将文库与共价连接P1引物的1mm直径beads混合进行乳液PCR(emulsion PCR：其实是一个注水到油的独特过程) emulsion
2.4K22发布于 2020-03-27 - 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）。 这样，我们就有了双链的cDNA】； 利用模板抑制效应，通过单引物PCR扩增产物，然后将其产物固定在珠子上、片断化和末端加A尾； 将Illumina P2接头(蓝色)连接到cDNA自由端； 使用P1序列引物
3.3K41发布于 2020-03-27 - 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？ install.packages('Seurat') install.packages('dplyr') install.packages('tidyverse') install.packages('patchwork') 2. 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 下图中PC1解释最大的数据差异，PC2解释了第二大部分差异，PC3解释了第三大部分差异，以此类推…… 那么我们应该选择多少个PCs数才能代表数据的真实结构，进行后续分析呢？请接着往下看。
1.2K40编辑于 2022-12-20 - 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。 步骤1：准备环境和数据 # 加载必要的包 library(Seurat) library(monocle3) library(SeuratWrappers) library(ggplot2) library library(dplyr) # 读取预处理好的Seurat对象 seurat_obj <- readRDS("your_seurat_object.rds") # 查看对象信息 seurat_obj 步骤2： dynamic_plot <- plot_genes_in_pseudotime(cds[genes_to_plot, ], ncol = 2,
1.9K20编辑于 2025-03-13 - 来自专栏生信技能树
使用MuSiC以及MuSiC2来根据单细胞转录组结果推断bulk转录组细胞比例
虽然这些工具肿瘤微环境（TME）的思路是ok的，绝大部分的肿瘤相关的单细胞转录组研究我介绍过 CNS图表复现08—肿瘤单细胞数据第一次分群通用规则，这个第一次分群规则是 ： immune (CD45+, 而TCGA等公共数据库数据库的转录组测序数据毕竟是bulk转录组测序，病人的肿瘤样品里面虽然是混合了各种各样的肿瘤微环境里面的基质细胞和免疫细胞，但是在数据层面被混杂成为了一个样品，并不是单细胞测序，所以并没有细胞比例信息 而现在各个疾病研究领域的单细胞转录组公开数据多如牛毛，我们自己对单细胞转录组数据的降维聚类分群和命名后的信息，如果可以用来推断bulk转录组细胞比例会更加精准。 下面我们就介绍一下使用MuSiC以及MuSiC2来根据单细胞转录组结果推断bulk转录组细胞比例。 /MuSiC2.html 用法还是蛮简单的，自己准备好单细胞转录组矩阵以及bulk转录组矩阵即可，运行的速度也是很快； 有了需要分解的单细胞亚群（ delta gamma acinar ductal
3.3K50编辑于 2023-02-28 - 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。 最后，将患者 2 和 3 的肿瘤分配给 A1 cluster，将患者 1 的肿瘤分配给 A2 cluster和 B cluster。 在诊断为典型类癌的病例 1 中发现周细胞占比最高，而在诊断为非典型类癌的患者 2 和 3 中的周细胞较少。 肿瘤组织中平滑肌细胞低表达周细胞标记基因，例如COX4I2和PDGRB；周细胞高表达 RGS5 和ACTA2， 一种参与周细胞发育的基因，一种是平滑肌标记基因。
36910编辑于 2023-02-27 - 来自专栏生信技能树
单细胞转录组3大R包之monocle2
主要是针对单细胞转录组测序数据开发的，用来找不同细胞类型或者不同细胞状态的差异表达基因。 experimentData(object)' ## Annotation: 可以看到 对象已经构造成功，是一个包含了 19027 features, 864 samples 的表达矩阵，需要进行一系列的过滤之后，拿到高质量的单细胞转录组数据进行下游分析 fun = dnorm, size=0.5, color='red') + xlab("Standardized log(FPKM)") + ylab("Density") 聚类 根据指定基因对单细胞转录组表达矩阵进行分类 这个是很正常的，因为单细胞转录组测序里面的mRNA捕获率不够好。 通过这个步骤成功的给HSMM这个S4对象增加了一个属性，就是CellType，在下面的分析中会用得着。 在大多数生物学过程中，参与的细胞通常不是同步发展的，只有单细胞转录组技术才能把处于该过程中各个中间状态的细胞分离开来，而monocle包里面的pseudotime分析方法正是要探究这些。
21.9K3823发布于 2018-03-09 - 来自专栏单细胞
空间单细胞转录组cell2location分析流程学习
Cell2location 是一个用于空间转录组学数据分析的工具。它是一个基于贝叶斯统计模型的Python包，旨在利用空间转录组数据和单细胞转录组数据来进行细胞类型的空间解构。 通过将单细胞转录组数据中的细胞类型信息投射到空间转录组数据中，Cell2location 可以估算不同细胞类型在空间位置中的丰度分布。 主要功能：细胞类型空间解构：Cell2location的主要功能是通过整合单细胞 RNA-seq 数据（提供细胞类型的转录特征）和空间转录组学数据，预测每个空间位置中细胞类型的组成和丰度。 结合单细胞和空间数据：Cell2location允许用户结合单细胞RNA-seq数据与空间转录组数据，使得在细胞分辨率不高的空间数据中可以更好地推断出各类细胞的分布模式。 colorbar_position='right' )plt.savefig('06-sc.pl.spatial.pdf') # 保存为Pdf格式 多种细胞类型同时展示 既往推文： 单细胞空间转录组
1.1K11编辑于 2024-10-21 - 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。 , "fluidigmc1", "smartseq2")] 对数据先进行标准化，并识别variable feature。 reference.list <- pancreas.list[c("celseq", "celseq2", "smartseq2")] pancreas.anchors <- FindIntegrationAnchors library(ggplot2) library(cowplot) # switch to integrated assay.
2.4K30发布于 2020-03-30 - 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。 counts_matrix, expected_doublet_rate=0.06)doublet_scores, predicted_doublets = scrub.scrub_doublets(min_counts=2,
1K40编辑于 2023-06-14 - 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。 后面讲到的单细胞聚类也是，数量一大，就得先降维再聚类。建库之前需要做一步扩增，扩增主要有2个方式，一个是体外转录，另一个是常规的PCR扩增。 因为单细胞的RNA量比较少，所以要扩增的话循环数就会比较多，会引入一些PCR扩增带来的偏好性，为了解决这个问题，就有了现在的第2个技术——体外转录。 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。
2.6K41发布于 2021-05-27 - 来自专栏Linux基础入门
单细胞转录组 | 细胞周期分析
细胞周期分析 5.1 查看周期基因与高变基因的交集 在单细胞周期分析时，通常只需要考虑三个阶段：G1、S、G2M（G2和M当做一个阶段)。 #……………… #$g2m.genes # [1] "HMGB2" "CDK1" "NUSAP1" "UBE2C" "BIRC5" "TPX2" "TOP2A" "NDC80 " "FEN1" "MCM2" "MCM4" "RRM1" "UNG" "GINS2" # MCM6 CDCA7 DTL g2m.features：与g2m期相关的特征向量。 # 提取g2m特征向量 g2m_genes = cc.genes$g2m.genes g2m_genes = CaseMatch(search = g2m_genes, match = rownames
3.9K31编辑于 2022-12-20 - 来自专栏青青青山的学习笔记
单细胞转录组之拟时序分析
函数里提供了很多种方法,不同方法的最后展示的图都不太一样, 其中“DDRTree”是Monocle2使用的默认方法。 <- BEAM(my_cds_subset, branch_point = 2, cores = 20)BEAM_branch2 <- BEAM_branch2[order(BEAM_branch2$qval ),]BEAM_branch2 <- BEAM_branch2[,c("gene_short_name", "pval", "qval")]head(BEAM_branch2)使用全部的基因进行绘图 创建一个热图来展示基因表达沿两个分支的分叉 =2 n[n< -2]= -2n[1:4,1:4]pheatmap(n,show_colnames =F,show_rownames = F)ac=phe[,c(10,16,17)]head(ac)rownames 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？ install_github("sqjin/CellChat") # 加载必要的包 library(Seurat) library(igraph) library(Matrix) library(ggplot2) seurat_obj <- readRDS("path/to/your/seurat_object.rds") # 查看细胞类型注释 table(seurat_obj$seurat_annotations) 2. <- matrix(0, nrow = nrow(mat), ncol = ncol(mat), dimnames = dimnames(mat)) mat2[i, ] <- mat[i, ] 总结 完成细胞互作分析后，需要关注以下几点： 识别主要的信号通路和关键的配体-受体对 分析不同细胞群的通讯模式和功能角色 结合生物学背景解释发现的通讯网络 如有对照组，可以使用CellChat的compareInteractions
92410编辑于 2025-03-14 - 来自专栏单细胞天地
单细胞转录组探索小鼠肝脏发育
不知不觉在单细胞转录组领域做知识分析也快两年了，很幸运聚集了五个小伙伴携手共进，我们承诺不间断更新5个月，把我们这两年的学习成果全部掏出来给大家，包括5个栏目： 文献速递（简短介绍，扩充知识面） 文献详解 （图文并茂带来大家系统性学习） ř与Bioconductor的技巧（书籍翻译，妙招共享） scRNAseq的GitHub的书籍翻译（原汁原味的名校教程） 全网第一个单细胞转录组视频教程学习笔记分享 希望大家能有所收获 现在你看到的是文献速递 肝脏背景知识 肝脏是一种多倍体器官，由具有一个或两个细胞核的肝细胞组成，每个细胞核含有2,4,8或更多单倍体染色体组。 这篇nature文章数据在：ncbi.nlm.nih.gov/geo/qu 共测量了肝脏的26个不同部位的 1736 个单细胞的表达数据。 使用的是MARS-seq单细胞转录组建库技术： Jaitin, D.
1.4K10发布于 2020-03-27 - 来自专栏生信技能树
白癜风单细胞转录组数据处理
前些天我们公众号弄了一个活动，详见：春节期间单细胞转录组数据分析全免费，收到了上百个需求， 本来呢我们自己就算是春节前后14天不吃不喝不眠不休也不可能完成这么多单细胞数据处理。 好在我灵机一动，想起来了前面两个月培养的一百多个在线实习生，毕竟教了大家R语言，转录组，以及单细胞转录组。 所以我写了一个还算是比较自动化的单细胞转录组数据处理代码，如果是我自己来做这样的处理，可以在十几分钟就完成复现文章的第一层次降维聚类分群图，如下所示的2分组的15个样品 ： 降维聚类分群图 首先下载文件 (sce.all@meta.data$group) table(sce.all@meta.data$orig.ident) 上面的 scRNA_scripts 文件夹里面的 lib.R 就是加载一些单细胞转录组数据分析常见的包即可 ：《Anatomically distinct fibroblast subsets determine skin autoimmune patterns》，当然了降维聚类分群和命名仅仅是单细胞转录组数据分析的万里长征第一步而已
70010编辑于 2023-02-27
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