单细胞day3

3可视化3.1 热图> library(ggplot2)> DoHeatmap(seu.obj, features = g) + NoLegend()++ scale_fill_gradientn( levels(scRNA)library(Seurat) #"RenameIdents"是Seurat里面的scRNA <- RenameIdents(scRNA,new.cluster.ids)p3 <- DimPlot(scRNA, reduction = "umap",label = T,pt.size = 0.5) + NoLegend()p3 #没操作手动注释的所以没有p2跟花花老师的不一样是因为我用了不同的参考数据集

单细胞day3

前一天 折腾安装包 花了一个晚上加整整一个早上加中午，搞得人很崩溃，怀疑自己是否要坚持下去

单细胞数据分析3（单细胞数据自动注释）

单细胞分析: Scanpy 核心绘图 (3)

引言 本系列讲解 使用 Scanpy 分析单细胞（scRNA-seq）数据 教程[1]，持续更新，欢迎关注，转发！ import matplotlib.pyplot as plt fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(20, 4), gridspec_kw 同时，我们希望只关注在某一细胞类型与其余细胞之间 log fold change ≥ 3 的基因。 sc.pl.rank_genes_groups_matrixplot( pbmc, n_genes=3, use_raw=False, vmin=-3, vmax=3, cmap="bwr", use_raw=False, swap_axes=True, vmin=-3, vmax=3, cmap="bwr", layer="scaled",

单细胞Seurat - 细胞聚类(3)

本系列持续更新Seurat单细胞分析教程，欢迎关注！ 虽然 Seurat 中仍然可用，但这是一个缓慢且计算成本高昂的过程，并且我们不再用于单细胞分析。 我们发现，将此参数设置在 0.4-1.2 之间通常会为大约 3K 细胞的单细胞数据集带来良好的结果。对于较大的数据集，最佳分辨率通常会增加。可以使用 Idents() 函数找到簇。 AAACATACAACCAC-1 AAACATTGAGCTAC-1 AAACATTGATCAGC-1 AAACCGTGCTTCCG-1 ## 2 3 2 1 ## AAACCGTGTATGCG-1 ## 6 ## Levels: 0 1 2 3 4 5 6 7 8 未完待续，持续更新

单细胞实战之单细胞hdWGCNA分析——入门到进阶(高级篇3）

在高级篇2中回顾了用于拟时序分析的CytoTRACE2和monocle3两个工具。 本次内容涉及到的工程文件可通过网盘获得：中级篇2，链接: https://pan.baidu.com/s/1y-HHLXoXsJbgWKCdz26-gQ 提取码: yx93此外，可以向“生信技能树”公众号发送关键词‘单细胞 ScaleData，否则harmony会报错:# seurat_obj <- ScaleData(seurat_obj, features=VariableFeatures(seurat_obj))# 计算完整单细胞数据集中的所有 hdWGCNA提供了ModuleConnectivity 函数，用于在完整的单细胞数据集(而不是metacell数据集)中计算基因的kME值。这个函数本质上是计算基因与模块特征基因之间的成对相关性。 更多精彩内容可关注公众号：生信技能树，单细胞天地，生信菜鸟团等公众号。注：若对内容有疑惑或者有发现明确错误的朋友，请联系后台(欢迎交流)。更多相关内容可关注公众号：生信方舟 - END -

🤩 Monocle 3 | 太牛了！单细胞必学R包！~（三）（建立单细胞轨迹）

下面就是今天的内容了： 单细胞转录组、蛋白组、表观组学等单细胞技术的发展为研究细胞周期、细胞分化等细胞动态过程提供了新的机会。 使用轨迹推断（TI，trajectory inference）的方法可以根据测序的细胞之间表达模式的相似性对单细胞沿着轨迹进行排序，模拟细胞动态变化的过程。 2用到的包 rm(list = ls()) library(tidyverse) library(monocle3) 3示例数据 expression_matrix <- readRDS(". 3d <- cluster_cells(cds_3d) cds_3d <- learn_graph(cds_3d) cds_3d <- order_cells(cds_3d, root_pr_nodes =get_earliest_principal_node(cds)) cds_3d_plot_obj <- plot_cells_3d(cds_3d, color_cells_by="partition

单细胞数据复现-肺癌文章代码复现3

单细胞数据复现-肺癌文章代码复现1：https://cloud.tencent.com/developer/article/1992648 单细胞数据复现-肺癌文章代码复现2：https://cloud.tencent.com accept.values，主要原因是软件升级后函数更改 DotPlot(subset(epi_anno, subset = cluster_type == "Normal"), features = c("ABCA3" tissue_type, fill = cluster_type)) + geom_bar(position = "fill") + scale_fill_manual(values = c("cyan3" width = 15, height = 15, units = "cm") DimPlot(epi_anno, group.by = "cluster_type", cols = c("cyan3"

单细胞专题 | 3.单细胞转录组的上游分析-从BCL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 ---- (1) 软件安装和介绍 Cellranger mkfastq

python单细胞学习笔记-day3

import KMeans from sklearn.datasets import make_blobs # 生成样本数据 X, y= make_blobs(n_samples=100, centers=3, random_state=42) # 使用 KMeans 聚类 kmeans = KMeans(n_clusters=3, random_state=42) kmeans.fit(X) print 可以包含多种数据类型的数据结构，是数据的容器 7.1 列表的创建 用一堆方括号 [] 创建列表，每个元素之间使用 , 分隔 列表可以宝行多种数据类型 # 创建一个包含整数的列表 numbers = [1,2,3,4,5 # dict + zip # 把键和值分开创建之后zip到一起 keys = ['name', 'age', 'city'] values = ['Tom', 25, 'Beijing'] dict3 = dict(zip(keys, values)) print(dict1) print(dict2) print(dict3) 10.2 字典取子集（单个元素） 不能用索引来提取子集 只能用键提取

单细胞分析 | 使用 Monocle 3 进行发育轨迹分析

引言 在本指南[1]中，会展示如何利用Monocle 3软件和单细胞ATAC-seq数据来构建细胞发展轨迹。 为了方便在Seurat（Signac所使用的）和CellDataSet（Monocle 3所使用的）这两种数据格式之间进行转换，将使用GitHub上的SeuratWrappers包里的一个转换工具。 数据加载 将采用一个单细胞ATAC-seq数据集，该数据集包含了由Satpathy和Granja等人发布的人类CD34+造血干细胞和祖细胞。 library(Signac) library(Seurat) library(SeuratWrappers) library(monocle3) library(Matrix) library(ggplot2 构建轨迹的另一种方法是使用整个数据集，并为 Monocle 3 发现的不同细胞分区构建单独的伪时间轨迹。

单细胞分析十八般武艺3：fastMNN

相关专题 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 重温seurat官方教程 fastMNN简介 MNN是Haghverdi等人提出的一种批次校正算法 此算法是Seurat3锚点整合算法的核心部分，也被Monocle3采纳作为批次校正的算法。 Read10X(data.dir = dir[i]) scRNAlist[[i]] <- CreateSeuratObject(counts, project=sample_name[i], min.cells=3, 有位朋友就和我提过她的数据使用seurat锚点整合有点过，使用moncole3（其实就是采用fastMNN算法）整合刚刚好。 往期回顾 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 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 ---- ---- ---- 如果你对单细胞转录组研究感兴趣

空间单细胞｜基于图像的数据分析（3）

对于这个数据集，我们并没有进行无监督分析，而是将Nanostring的分析结果与我们的Azimuth健康人类肺脏参考数据库进行对比，这个数据库是通过单细胞RNA测序（scRNA-seq）技术建立的。 19 Dendritic ## 2_1 26 23 Macrophage ## 3_ predicted.annotation.l1.score ## 1_1 0.5884506 ## 2_1 0.5707920 ## 3_

单细胞转录组3大R包之Seurat

Median Mean 3rd Qu. Median Mean 3rd Qu. 在本例子里面，3种方法结果差异不大，可以在PC7~10直接挑选。 CD8A CD8 T cells 4 FCGR3A, MS4A7 FCGR3A+ Monocytes 5 GNLY, NKG7 NK cells 6 FCER1A, CST3 Dendritic Cells 后面还有一个10X的单细胞实战，用的就是这个包，敬请期待。

在Ubuntu下安装单细胞3大R包

https://mirrors.tuna.tsinghua.edu.cn/CRAN/')\"" sudo apt-get install gdebi-core wget https://download3. 安装我们的主角-3大R包 从代码的角度来看，很简单： options()$repos options()$BioC_mirror options(BioC_mirror="https://mirrors.ustc.edu.cn

单细胞转录组3大R包之scater

S4对象 主要是基于 SCESet 对象来进行下游分析，跟ExpressionSet对象类似，也是常见的3个组成： exprs, a numeric matrix of expression values [1] "Cell" ## [2] "Mutation_Status" ## [3] is_cell_control" colnames(rowData(example_sceset)) ## [1] "Gene" "is_feature_control" ## [3] simpleSingleCell/ http://hemberg-lab.github.io/scRNA.seq.course/index.html sessionInfo() 过滤只是它最基本的工具，它作为单细胞转录组 3大R包，功能肯定是非常全面的，比如前面我们讲解的normalization，DEG, features selection，cluster，它都手到擒来，只不过是包装的是其它R包的函数。

利用monocle3分析单细胞数据

背景 开始monocle3案例数据学习。 文档：https://cole-trapnell-lab.github.io/monocle3/docs/clustering/ 一、读入数据 #1 读入数据 expression_matrix <- readRDS("monocle3/celegans/cao_l2_expression.rds") cell_metadata <- readRDS("monocle3/celegans/cao_l2 _colData.rds") gene_annotation <- readRDS("monocle3/celegans/cao_l2_rowData.rds") # Make the CDS object plot_pc_variance_explained(cds) monocle3 数据处理 三、降维以及可视化 3.1 UMAP 方法 cds <- reduce_dimension(cds

🤩 Monocle 3 | 太牛了！单细胞必学R包！~（七）（分析单细胞轨迹中的分支）

有时候你感兴趣的只是单细胞轨迹中的一个分支，A → B。 这个时候就可以用到monocle3中一个非常实用的功能了。 我们一起来看看怎么操作吧。 2用到的包 rm(list = ls()) library(tidyverse) library(monocle3) 3示例数据 今天做一做如何分析单细胞轨迹中的分支。

单细胞差异分析之pseudobulk的3种实现方法

之前分享了：单细胞层面的表达量差异分析到底如何做，提到了pseudobulks方法，因为找各个单细胞亚群特异性高表达量基因（FindAllMarkers函数）以及两个亚群针对性差异分析（FindMarkers 之前我们在《单细胞天地》公众号分享过一个文献 ，解读在：https://cloud.tencent.com/developer/article/1901064 文章题目：Confronting false 所以有必要从代码角度看看单细胞差异分析之pseudobulk的3种实现方法。 首先是rowSums方法 这个是非常容易理解的，我在之前分享了：单细胞层面的表达量差异分析到底如何做，也是这样举例： 前面的 compSce是一个seurat对象 ，它里面的comp是表型是两个分组，然后 也就是说十几个小鼠各自的单细胞转录组样品是两分组，需要做差异分析。我实际上是创造了一个do.call( cbind,lapply 的复杂语法，熟悉这些函数的小伙伴就容易理解。

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

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 ############################################' # Doublet detection: 1) DoubletDecon 2) DoubletFinder 3) #PMF：在双重确定标准中使用步骤3（独特的基因表达）。默认值为TRUE。useFull：使用完整的基因列表进行PMF分析。需要fullDataFile。默认值为FALSE。 -------------------------------------------------#DoubletFinder 去除双细胞 sweep.res.list <- paramSweep_v3( 这里分析的主要目的是保证后面的分析是单细胞的结果，不会影响的后面的结果，因此在前面做了两重的分析，进行验证。