- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信学习111
单细胞4
barcodes.tsv.gz" "GSE231920_RAW/GSM7306057_sample4_features.tsv.gz" "GSE231920_RAW/GSM7306057_sample4 GSM7306057_sample4_barcodes.tsv.gz"[11] "01_data/sample4/GSM7306057_sample4_features.tsv.gz"[12] "01_ ：单细胞数据集可能来自不同的实验批次或平台，这些批次效应（batch effects）可能导致数据在分析时出现偏差。 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。
1K10编辑于 2024-06-23 - 来自专栏文献分享及代码学习
单细胞数据复现-肺癌文章代码复现4
单细胞数据复现-肺癌文章代码复现1https://cloud.tencent.com/developer/article/1992648 单细胞数据复现-肺癌文章代码复现2https://cloud.tencent.com /developer/article/1995619 单细胞数据复现-肺癌文章代码复现3https://cloud.tencent.com/developer/article/1996043 前面是主要对 patient_id", dims = c(1,2)) DimPlot(epi_pca, reduction = "pca", group.by = "patient_id", dims = c(3,4) ", "SCGB3A2", "HLA-DRA", "CD74", "ADGRF5", "C16orf89", "FOLR1", "SELENBP1", "HLA-DRB1", "ID4", "MGP", (c("DSG2", "CAMK2N1", "FAM3C", "KRT7", "IFI27", "SLC2A1", "MARCKS", "PLAU", "AHNAK2", "PERP", "S100A4"
1.2K20编辑于 2022-05-18 - 来自专栏生信技能树
python单细胞学习笔记-day4
drop_duplicates() print(df1.drop_duplicates(subset='change')) 3）计数：.value_counts() df1.change.value_counts() 4）
48800编辑于 2025-01-14 - 来自专栏数据科学（冷冻工厂）
单细胞Seurat - 降维与细胞标记(4)
1.60e- 79 0 CCR7 ## 3 8.94e- 79 1.09 0.838 0.403 1.23e- 74 0 CD3D ## 4 VlnPlot(pbmc, features = c("MS4A1", "CD79A")) # you can plot raw counts as well VlnPlot(pbmc, features = c("NKG7", "PF4"), slot = "counts", log = TRUE) FeaturePlot(pbmc, features = c("MS4A1", "GNLY", "CD3E top10$gene) + NoLegend() 细胞类型分配 在此数据集的情况下，可以使用规范标记轻松地将无偏聚类与已知细胞类型进行匹配： new.cluster.ids <- c("Naive CD4 T", "CD14+ Mono", "Memory CD4 T", "B", "CD8 T", "FCGR3A+ Mono", "NK", "DC", "Platelet") names(new.cluster.ids
70721编辑于 2024-03-12 - 来自专栏生物信息云
单细胞专题 | 4.单细胞转录组的上游分析-从SRA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 单细胞专题 | 3.单细胞转录组的上游分析-从BCL到FASTQ ---
4.5K21编辑于 2022-06-13 - 来自专栏数据科学（冷冻工厂）
R中单细胞RNA-seq分析教程 (4)
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！ 8. 细胞聚类 分析 scRNA-seq 数据时，绘制标记基因的特征图通常是一个良好的起点。 logfc.threshold = log(1.2)) library(dplyr) cl_markers %>% group_by(cluster) %>% top_n(n = 2, wt = avg_logFC) 鉴于单细胞
66410编辑于 2024-12-30 - 来自专栏单细胞天地
OSCA单细胞数据分析笔记-4 Overview pipeline
Smart-seq2：通量相对较低，但测序深度高，因此适宜单细胞水平的转录本或可变剪切分析，突变检测等。 此外还有一些R包，专门用来处理单细胞的fastq文件。 ）质控：过滤出不合格、或者是低质量的细胞； （2）标准化：类似Bulk RNA-seq，为了使不同细胞间细胞表达更具有可比性； （3）挑选高变基因：为降维做准备，降低无表达变化基因的噪音信息干扰； （4） (3)Feature selection. library(scran) dec <- modelGeneVar(sce) hvg <- getTopHVGs(dec, prop=0.1) # (4) 往期回顾 单细胞分析十八般武艺2：LIGER 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 细胞亚群的特异性标记基因也许真的很难 明码标价之公共数据库探索 ---- ---- ---- 如果你对单细胞转录组研究感兴趣
1K20发布于 2021-04-16 - 来自专栏单细胞
单细胞实战之单细胞非负矩阵分解(cNMF)——入门到进阶(高级篇4）
接下来将回顾学习非负矩阵分解这个工具, 单细胞实战之单细胞hdWGCNA分析——入门到进阶(高级篇3）:https://mp.weixin.qq.com/s/KGSoRx3klmliKPVL7ml28Q 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 progressbar = TRUE)) #这里加载的是seurat对象，替换自己的数据即可sc_data <- qread("./9-CD4+T/CD4+t_final.qs")table(Idents /res \ # 执行共识分析，读取结果--name cNMF_res \ # 与前面保持一致--components 4 \ # 最终选定的因子数 k=4--local-density-threshold 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 。
1.8K01编辑于 2025-05-11 - 来自专栏花花单细胞学习小组003
单细胞学习小组003期 Day4
'celldex', 'SingleR', 'BiocParallel' ) 4. https://singlecell.broadinstitute.org/single_cell 3.Human Cell Atlas https://www.humancellatlas.org/ 4.
25311编辑于 2024-07-03 - 来自专栏生信技能树
python单细胞学习笔记-day4（续）
前面，我们生信技能树的讲师小洁老师与萌老师新开了一个学习班：《掌握Python，解锁单细胞数据的无限可能》，身为技能树的一员，近水楼台先得月，学起！ 下面是我的学习笔记，希望可以给你带来一点参考 前面几天的学习笔记： python单细胞学习笔记-day1 python单细胞学习笔记-day2 python单细胞学习笔记-day3 python单细胞学习笔记 -day4 今天继续学习视频：python_day4 ！ touch day4.ipynb 课前复习到 37:39 1、条件语句 if 语句：if不支持直接批量计算，逻辑值只能是一个 if else语句 试试看报错的： # 这段代码会报错 import numpy ] # 计算平方 [x**2 for x in numbers] 3.2 字典推到式 # 字典推导式 {x: x**2 for x in numbers} 4、批量读取文件 day3_preview
35910编辑于 2025-01-22 - 来自专栏单细胞天地
单细胞分析十八般武艺4：velocyto
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 单细胞分析十八般武艺3：fastMNN 速率分析的原理 大家第一次听到RNA速率/速度 教程参考《华为云配置单细胞分析环境及报错处理》，最新的镜像下载地址在《kinesin_rstudio的日常升级二》中有链接。 往期回顾 clustree—聚类可视化利器 单细胞分析十八般武艺3：fastMNN 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 ---- ---- ---- 如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程 数据挖掘（GEO,TCGA,单细胞）2021第2期 生信爆款入门-2021第2期 96核心384G内存的超级服务器
8.7K51发布于 2021-04-16 - 来自专栏单细胞测序
单细胞测序—标准分析流程(4)—GSEA与GSVA
单细胞测序—标准分析流程(4)—GSEA与GSVA这部分代码是我综合了好几篇帖子手打的代码主要参考的是单细胞绘图之GSEA & GSVA再调用GSVA函数出问题时主要参考：GSEA和GSVA，再也不用去下载 gmt文件咯1 GSEA接着单细胞测序—标准流程代码（3）—marker 基因富集分析_差异基因,继续分析gesa_gsva_bymyself.Rrm(list=ls())options(stringsAsFactors 接下来，如本次以对照组(**CTRL**)与刺激组(**STIM**)中的CD4 Naive T细胞亚群为例，进行GSEA分析，后续重要关注哪两个分组或哪些细胞亚群，修改对应的代码即可。 提取CD4 Naive T细胞亚群的差异表达基因：使用subset提取细胞类型为CD4 Naive T的亚群。 mydata <- mydata,c(-1,-2,-4)：删除不需要的列，保留关键的表达数据和分组信息。
2.8K13编辑于 2025-12-02 - 来自专栏文献分享及代码学习
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4
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 #InferCNV是一个由broad研究所开发的，利用单细胞转录组数据分析肿瘤细胞拷贝数变异（CNV）的工具。 ,immune.clusters[4]), paste0("immune." ,immune.clusters[4]), paste0("immune."
76020编辑于 2022-08-21 - 来自专栏生信技能树
单细胞亚群的生物学命名的4个规则
需要背诵尽可能的的基因和细胞亚群对应关系： # T Cells (CD3D, CD3E, CD8A), # B cells (CD19, CD79A, MS4A1 [CD20]), # Plasma 因为历史遗留原因，T细胞主要是区分成为CD8+ T cell 和 CD4+ T cell 两个大类，也可以是按照功能进行划分，naive, memory ，effector，cytotoxic，Exhaustion precursors to tumor-infiltrating CD8+ T cell populations in lung cancer 可以很明显看到，也是首先区分成为CD8+ T cell 和 CD4+ T cell 两个大类，然后是是按照功能进行划分，naive, memory ，effector，cytotoxic，Exhaustion： 7 for CD8+ cells, 11 for CD4+ M1和M2，详见：M1和M2的巨噬细胞差异就在CD86和CD163吗，很多单细胞文章都表明了巨噬细胞的M1和M2极化相关基因在单细胞水平是正相关。
1.2K10编辑于 2024-04-13 单细胞小组第一天D4
require(limma)(6)循环时必须要加的参数ask，updat，character.only2、单细胞应用方向广泛，基本上接触到的 都可以用得上1.Gene Expression Omnibus (GEO): GEO是基因表达数据，竟然还有很多单细胞测序数据。 单细胞的数据就会有“scRNA”和“single cell” 这样的字眼单细胞测序数据不同格式类型10X标准文件 （包含barcodes.tsv.gz，features.tsv.gz和matrix.mtx.gz 他们提供了大量的单细胞 RNA 测序数据。 4.Single Cell Expression Atlas: Single Cell Expression Atlas 是由欧洲生物信息研究所（EMBL-EBI）开发的在线数据库。
19300编辑于 2024-06-17- 来自专栏单细胞
单细胞CCA整合流程学习(SeuratV5V4)
CCA（Canonical Correlation Analysis）和 Harmony 是两种常用于单细胞 RNA 测序（scRNA-seq）数据整合和批次效应校正的方法。 在单细胞数据整合中，CCA会找到不同批次数据间的“锚点细胞”作为匹配点，这些锚点代表批次间生物学上相似的细胞。主要用于投影多个数据集到一个共享的低维空间中，使不同批次的数据可以被对齐。 (Seurat)library(SeuratData)library(patchwork)library(BiocParallel)register(MulticoreParam(workers = 4, = 1:30)就不展示图片了~参考资料：1、Seurat： https://satijalab.org/seurat/articles/integration_introduction.html2、单细胞天地 ： https://mp.weixin.qq.com/s/8IJ5NjPzasMDHYFyqwZ22w3、生信技能树： https://mp.weixin.qq.com/s/i4_kzuAkNZYnB_DfwS-Ppg4
98510编辑于 2024-09-17 - 来自专栏生信菜鸟团
DNBC4tools—华大DNBelab系列单细胞分析pipeline
源自https://www.mgi-tech.com/products/resources 对于采用DNBelab C系列高通量单细胞RNA文库制备试剂盒制备的文库是通常是这样式的： 文库结构示意图 DNBC4tools bin/dnbc4tools 下载 解压直接使用 主要功能 单细胞RNA分析—- dnbc4tools rna run 使用单细胞 RNA 的 cDNA 和 oligo 文库测序数据，进行质量控制、比对和功能区域注释 单细胞ATAC分析— dnbc4tools atac run 使用单细胞 ATAC 文库测序数据，经过过滤和比对生成所有磁珠的 fragments 文件。 单细胞VDJ分析— dnbc4tools vdj run 使用单细胞 VDJ 文库测序数据和对应样本的 5' 转录组分析结果。 --species #指定构建参考数据库的物种名称 构建参考基因组索引 单细胞转录组定量 基本用法： ##单样本 dnbc4tools rna run \ --name sample \ --
4.7K11编辑于 2025-05-21 - 来自专栏单细胞测序
单细胞测序—S4类、seurat、monocle（cds）对象简介
单细胞测序—S4类、seurat、monocle（cds）对象简介1 S4类S4类是R语言中一种更为严格和复杂的面向对象编程方式。 访问S4对象的槽时，使用@符号。2 Seurat对象Seurat是R语言中一个流行的单细胞RNA测序（scRNA-seq）数据分析工具包，用于从数据预处理到高级分析的多个步骤。 2.1 Seurat对象的结构Seurat对象是一个S4类对象，专门设计用于单细胞数据的存储和操作。 Monocle对象是Monocle包中的核心数据结构，用于存储单细胞RNA测序（scRNA-seq）数据以及与其相关的元数据和分析结果。 3.1 Monocle对象的结构Monocle对象的核心是 CellDataSet 对象，这是一个S4类对象，专门设计用于处理单细胞转录组数据。
1.8K11编辑于 2024-08-30 单细胞的细胞注释要进入AI（GTP-4）时代了吗？
细胞类型标注是单细胞RNA-seq分析的重要步骤。这是一个耗时的过程，通常需要收集典型标记基因和手动注释细胞类型的专业知识。自动化细胞类型注释方法通常需要获取高质量的参考数据集和开发额外的分析流程。 在单细胞rna测序(scRNA-seq)分析中，细胞类型注释是阐明细胞群体异质性和了解复杂组织中不同细胞群体不同功能的基础步骤。 标准的单细胞分析软件，如Seurat和Scanpy，通常采用手动细胞类型注释。这些软件工具通过细胞聚类将单个细胞分配到群中，并进行差异分析以识别细胞集群中差异表达的基因。 与其他需要建立额外管道和收集高质量参考数据集的自动化细胞类型注释方法相比，GPT-4具有成本效益，并且可以无缝集成到现有的单细胞分析管道(如Seurat和Scanpy)中。 首先，与其他细胞类型标注方法不同，GPT-4的训练库在很大程度上是未公开的，因此很难明确验证GPT-4生成标注的基础。对GPT-4生成的注释的质量和可靠性进行严格评估可能仍然需要一定的人力。
48210编辑于 2024-03-30- 来自专栏单细胞
单细胞实战之Roe、Augur、miloR——入门到进阶(中级篇4）
该推文首发于公众号：单细胞天地在上一讲中完成了inferCNV的分析流程，本讲将回顾学习单细胞分析中的三个工具：Ro/e、Augur、miloR，这三个工具分别能够判断细胞簇在组织分布倾向、扰动影响和细胞差异丰度 此外，可以向“生信技能树”公众号发送关键词‘单细胞’，直接获取Seurat V5版本的完整代码。 Augur——判断扰动影响的分析工具Augur能够在单细胞数据中优先考虑对生物扰动最敏感的细胞类型，其采用机器学习框架来量化扰动和未扰动细胞在高维空间中的可分性(比如不同的疾病状态，药物刺激等)。 Augur 使用的机器学习框架依赖于分类算法，如随机森林（Random Forests）或逻辑回归（Logistic Regression），这些算法非常适合处理具有高维特征空间的单细胞数据。 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 -
1.8K01编辑于 2025-04-06
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