单细胞分析：marker鉴定（11）

+ monocytes", "10" = "CD4+ T cells", "11

R中单细胞RNA-seq分析教程 (11)

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！ 基于 Seurat 的标签转移 前面提到的两种方法虽然简单明了，但这种简单性也限制了它们的表现。

单细胞分析十八般武艺11：xCell

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。 往期相关 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 单细胞分析十八般武艺8：Garnett 单细胞分析十八般武艺9：DoubletFinder 单细胞分析十八般武艺 不要把xCell用于单细胞数据的细胞类型鉴定。 关于介绍 xCell 的说明 xCell并不是一款分析单细胞数据的工具，我向大家介绍它并收录在《单细胞分析十八般武艺》专题中，是因为它与单细胞的分析密切相关。

OSCA单细胞数据分析笔记11—Cell type annotation

对于单细胞聚类的结果，类的最直接注释就是细胞类型。本节将学习单细胞数据分析过程中注释细胞类型的三种思路。 ? 笔记要点 1、参考已注释细胞类型的单细胞表达矩阵 2、观察各种细胞类型marker gene sets在每个细胞里的表达“活性” 3、cluster差异基因富集分析结果联系细胞类型 1、参考已注释细胞类型的单细胞表达矩阵 -09 # GO:0006638 neutral lipid metabolic process BP 137 11 4.876288e-09 # GO: 1.26343 # Cd9 51 1.41373e-11 3.56592e-09 2.73785 # Ceacam1 52 1.66948e 细胞类型注释是一个单细胞数据分析过程中的重要步骤，还有其它一些注释方法，有机会再多多学习。 ?

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11

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 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9：https://cloud.tencent.com/developer/article/2087563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

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 限定基因数目 chord <- chord_dat(circ, genelist[1:geneNum,], go$Term[1:termNum]) pdf(file="circ.pdf",width = 11 #431A3D","#91612D","#6E568C","#E0367A","#D8D155","#64495D","#7CC767") pdf(file="cluster.pdf",width = 11

单细胞||什么是单细胞组学？

id=9691116906be 03单细胞组学 比单细胞测序成名更早的词——组学（Omics），英文词根"-ome"表示一类个体的系统集合。 因此，单细胞组学使用单细胞转录组等多组学联合分析，全面体现细胞生命进程的变化。 04单细胞测序 华大基因的联合创始人杨焕明院士来华农作报告时，曾夸张地说“万物皆可测序”。 05单细胞RNA-Seq 单细胞RNA-seq(scRNA-seq)顾名思义就是单个细胞进行转录组测序，那么什么是RNA-seq呢？ 单细胞RNA测序技术允许在单细胞分辨率下解析基因表达。 能肯定的是，单细胞组学一定会在生物科研史上留下浓墨重彩的一笔。 以上只是我了解到的单细胞技术的一些皮毛，写在这里。

单细胞4

}+ })[[1]]NULL[[2]]NULL[[3]]NULL[[4]]NULL[[5]]NULL[[6]]NULL[[7]]NULL[[8]]NULL[[9]]NULL[[10]]NULL[[11 sample3/GSM7306056_sample3_matrix.mtx.gz" [10] "01_data/sample4/GSM7306057_sample4_barcodes.tsv.gz"[11 sample5 sample6 687 622 683 686 677 674 画了核糖体，但是没有用这个，轻微的用了一下红细胞基因4 整合降维聚类分群整合：单细胞数据集可能来自不同的实验批次或平台 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。

单细胞系列教程：什么是单细胞（一）

导读 从本文开始，将带领还未分析过单细胞(scRNA-seq)数据的读者，从如何构建环境，什么是单细胞，单细胞的完整分析流程各方面开展学习，由于内容较多，将会分章节展开，后续会整理成完整PDF教程，请持续关注 作用 单细胞的作用： 在人体组织中有着令人难以置信的细胞类型、状态和相互作用的多样性。为了更好地了解这些组织和存在的细胞类型，scRNA-seq 提供了在单个细胞水平上研究表达情况的可能。 挑战 单细胞分析过程中存在的挑战： 在scRNA-seq 之前，使用 bulk RNA-seq进行转录组分析，这是一种比较细胞表达平均值的方法。 结论 虽然 scRNA-seq 是一种功能强大且富有洞察力的方法，用于以单细胞分辨率分析基因表达，但存在许多挑战和变异来源，可能使数据分析变得复杂或有限。 与完整细胞（约 11,000 个基因）相比，从细胞核（约 7,000 个基因）中检测到的转录物更少。在某些情况下，相比 scRNA-seq，snRNA-seq 可能是首选方法。

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。

单细胞数据分析3（单细胞数据自动注释）

单细胞no.1

向量标量是一个，向量是多个元素有序排列组成的赋值> a[1] 1 2 5 8 9> a<- 1:15 #从1-15之间所有的整数x> a [1] 1 2 3 4 5 6 7 8 9 10 11 单细胞1 能干啥2常用数据库可以都翻一翻看，最常用的还是GEO1.Gene Expression Omnibus (GEO): GEO是一个公共数据库，收集了来自全球研究机构的大量基因表达数据，其中包括很多单细胞测序数据 他们提供了大量的单细胞 RNA 测序数据。 https://cells.ucsc.edu/数据库怎么用GEOGEO是综合数据库，不只有单细胞从首页这里点进去。 常规转录组和单细胞转录组数据都在这个分类里，二者没有单独区分，要点表格第一列的GSExxxx编号，点进去看看网页上的描述，单细胞的数据就会有“scRNA”和“single cell” 这样的字眼，比如这个

单细胞circRNA不温不火

前面我们系统性的总结了circRNA的相关背景知识： 但都是基于大量细胞的，而我们是单细胞天地平台，有必要也系统性探索一下单细胞circRNA技术的进展。 single-cell universal poly(A)-independent RNA sequencing (SUPeR-seq) 谷歌能搜索到的单细胞circRNA技术最早应该是Published 单细胞水平评价circRNA检测软件性能 我提到过2015年12月10日发表在《Nucleic Acid Research》 的 https://www.ncbi.nlm.nih.gov/pubmed/ 单细胞水平同样的也可以看不同算法的差异，比如发表于Published: 31 October 2017 在Scientific Reports volume杂志的文章：Heterogeneous circRNA 研究者还测试了 GSE53386 数据集(7 single HEK293T cells,)里面的单细胞circRNA检测情况，同样的是4个软件的比较。

单细胞测序概述

四、单细胞测序的应用 4.1 单细胞转录组学 单细胞转录组学，single cell RNAseq，简称 scRNAseq，是单细胞测序领域第一个也是最基础的应用。 通过单细胞转录组测序对细胞进行分类 4.2 单细胞免疫分析 单细胞免疫分析解决方案带来了一种综合的方法，能够以单细胞分辨率同时研究免疫系统的细胞异质性、T 细胞和 B 细胞组库多样性以及抗原特异性 整个流程的核心在于获取单细胞，得到单细胞之后提取 mRNA，反转录成 cDNA 在测序，这些步骤与常规测序基本一致。因此如何进行单细胞的捕获分选是最重要的，也是不同单细胞平台的差别。 单细胞测序的发展历史主要就是不同单细胞捕获分选的历史。 单细胞捕获分选发展历史 下图中单细胞捕获分选方法的发展历史，也是单细胞测序技术的发展过程，下面我们以时间轴顺序介绍一下几种典型的单细胞测序发展历史。

单细胞时代|| 单细胞代谢组学之免疫代谢

生信技能树核心成员，单细胞天地特约撰稿人，简书创作者，单细胞数据科学家。 这不是最好的时代，也不是最坏的时代，这里是单细胞时代。灵活的单细胞系统，高效的组织解离液，开源的数据分析工具，端到端的单细胞解决方案是未来发展的趋势。 将这种分析与本观点中讨论的单细胞方法相结合，必将有助于阐明在体内复杂组织微环境中单细胞水平的免疫代谢。 目前单细胞代谢组学的大规模应用还为时过早，因此免疫代谢研究进入单细胞时代需要替代方法。先前使用bulk转录组学和蛋白质组学描述细胞代谢的成功表明，使用相关的单细胞组学方法是目前的发展方向。 单细胞代谢组技术的优点和缺点 单细胞转录组与Cytometry 单细胞转录组学和多颜色细胞计数术在获取信息和建立分析所需的实验装置方面是互补的方法。

AD 单细胞测序

不知不觉在单细胞转录组领域做知识分析也快两年了，通过文献速递这个栏目很幸运聚集了一些小伙伴携手共进，一起成长。 文献速递栏目通过简短介绍，扩充知识面，每天关注，希望你也能有所收获！ 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。 ? 总结 这是第一篇将单细胞技术应用AD中的文章。

初探单细胞下游

我以后会在本专辑每期学习推文开头放上第一期提出的学习希冀： 今年暑假一起学单细胞吧（附上游数据下载tips） 这个新专辑有以下几点希冀： 带着像我一样的单细胞小白，一步步利用我们生信技能树、生信菜鸟团、 各种测序数据的分析流程都要对原始数据进行“标准化”，以符合下游分析的需求，单细胞数据也不例外。 (pbmc), 10) top10 # [1] "PPBP" "LYZ" "S100A9" "IGLL5" "GNLY" "FTL" "PF4" "FTH1" "GNG11 resolution参数表达聚类的分辨率，值越大得到的cluster越多，对于3K细胞的单细胞数据0.4-1.2 通常会得到较好的结果。 CFD, LGALS1, LGALS2, SERPINA1, S100A8, CTSS, IFITM3, SPI1, CFP PSAP, IFI30, COTL1, SAT1, S100A11

单细胞分析：整合

`5` = "CD8 T", `6` = "T activated", `7` = "NK", `8` = "DC", `9` = "B Activated", `10` = "Mk", `11 CD79A", "MIR155HG", "NME1", "FCGR3A", "VMO1", "CCL2", "S100A9", "HLA-DQA1", "GPR183", "PPBP", "GNG11

单细胞测序原理

一、细胞捕获分选技术 1.1 细胞分选技术 单细胞测序主要包括以下四个步骤。其中非常关键的一点就是如何进行单细胞的捕获/分选，这是决定单细胞检测成本和通量的关键步骤。 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。 单细胞捕获分选方法（来自文章PMID：30089861） 上图中列出了几种不同的单细胞捕获方法。 非特异性选择 非特异性选择 样本要求 任何组织 任何组织 单细胞悬液 单细胞悬液 单细胞悬液 单细胞悬液 单细胞悬液 一次分选的细胞数 少量细胞 少量细胞 数百~上千个细胞 不受限 数百个细胞 数千个细胞 10X genomics 是目前主流的单细胞测序平台，下面章节我们将详细介绍 10X 单细胞测序原理。

跟着小鱼头学单细胞测序-单细胞数据的整合

导语 GUIDE ╲ 在对单细胞数据的处理中，常常遇到需要对两个或者多个数据集进行整合分析的情况，其中就涉及到数据集的矫正问题，今天我们基于Seurat来为大家介绍几种数据整合的方法，供大家在实践操作中参考选择 正文 在实际操作中，我们经常会遇到需要对两个或多个单细胞RNA数据进行整合的情况，例如同一批实验中的多个样本/生物学重复/技术重复，来自不同研究项目、不同建库策略、不同测序平台的数据集合并等。 如何对数据集合并并从中识别出其中存在的共有的细胞群体就成为了我们单细胞数据分析中的一个挑战。这个挑战主要来自于批次效应。 校正后的表达值被人为消除了技术噪音，从而实现了两个单细胞数集的整合。