- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信学习111
单细胞5 拟时序分析
打出来细胞类型供复制[1] "B_cell" "T_cells" "Monocyte" "Endothelial_cells" [5] scRNA,downsample = 100) #抽样，实战不行table(Idents(scRNA))2.2 创建CellDataSet对象CellDataSet对象是Scanpy库中用于存储和处理单细胞数据的一种数据结构
67810编辑于 2024-06-26 - 来自专栏生信技能树
单细胞入门必读5篇cns综述
单细胞入门必读5篇cns综述，希望对大家有帮助！ 综述-单细胞转录组学分析细胞通讯 单细胞多组学在解析癌细胞可塑性和肿瘤异质性中的应用 综述：高维单细胞RNA测序数据分析工具（下） 综述：高维单细胞RNA测序数据分析工具（中） 综述：高维单细胞RNA测序数据分析工具 （上） 单细胞RNA-seq数据分析最佳实践（下） 单细胞RNA-seq数据分析最佳实践（中） 单细胞RNA-seq数据分析最佳实践（上） 回顾：单细胞入门-读一篇scRNA-seq综述 单细胞测序技术将彻底改变整个生物科学 一篇文章带你走进单细胞的天地 单细胞转录组分析综述 单细胞转录组方法篇——下 Single cell RNA-seq 方法篇-上 如果不自己亲自研读综述 你指望去哪里获得单细胞转录组技术以及数据分析的基础知识
74731编辑于 2023-09-04 - 来自专栏生信技能树
python单细胞学习笔记-day5
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 python单细胞学习笔记-day4 （续） 今天继续学习视频：python_day5 ！ touch day5.ipynb 课前复习到 30:29 plotnine语法 plotnine是python版的ggplot2，有一些细节不同。 iris) + geom_point(aes(x='sepal_length', y='petal_length'), color='blue')) 修改其他属性 size=5、
37000编辑于 2025-01-22 - 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5
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 单细胞数据复现 ", Endothelial2 = "#FEB24C", Endothelial3 = "#fd8d3C", Endothelial4 = "#FC4E2A", Endothelial5 "Endothelial5" 这个时候发现单细胞的分析在前面还是很像的，但是根据自己研究的样本以及生物学问题的来源不一样，后面是需要进行不同的包的调取，还有个性化分析的，所以无论是做植物还是动物的，多读一些最新的单细胞组学的文章都是能学到很多的内容的
1.1K20编辑于 2022-05-22 - 来自专栏花花单细胞学习小组003
单细胞学习小组003期 Day5
This is the homework of Huahua's scRNA-seq study group003 Day5.The content of today is the processing single-cell RNA-seq data.Device nameHD72201200Full device nameHD72201200Processor12th Gen Intel(R) Core(TM) i5-
31110编辑于 2024-07-03 - 来自专栏生信补给站
Seurat_V5|单细胞转录组 + 蛋白，WNN方法分析单细胞多模态数据
前面Seurat V5|一个函数就能解决多种去批次方法，按需尝试提到V5的升级部分（https://satijalab.org/seurat/articles/get_started_v5_new）主要体现在 4个方面，本次介绍 Seurat V5 的WNN方法分析单细胞多模态数据，本文以转录组+蛋白组数据为例。 一 载入R包，数据 使用SeuratData中的bmcite数据示例，展示CITEseq数据中的单细胞转录组和蛋白数据的结合 。 TRUE, label.size = 2.5) + NoLegend() p3 + p4 （3）经典marker 可视化 查看典型marker基因和蛋白在多模态整合后的UMAP上的表达，为注释提供参考 p5 rna_TRDC","rna_MPO","rna_AVP"), reduction = 'wnn.umap', max.cutoff = 3, ncol = 3) p5
88710编辑于 2024-03-25 - 来自专栏数据科学（冷冻工厂）
R中单细胞RNA-seq分析教程 (5)
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！ 10. seurat_dorsal <- subset(seurat, subset = RNA_snn_res.1 %in% c(0,2,5,6,10)) seurat_dorsal <- FindVariableFeatures if (is(seurat_dorsal[['RNA']], 'Assay5')){ expr <- LayerData(seurat_dorsal, assay = "RNA", layer
28610编辑于 2024-12-30 - 来自专栏生物信息云
单细胞专题 | 5.单细胞转录组的上游分析-从FASTQ到count矩阵
，软件会根据实际情况进行估算 • --localcores：使用的线程数 • --localmem：使用的内存数 • --nosecondary：不进行下游聚类分析 ---- 下面是前面数据集的案例 单细胞专题 | 3.单细胞转录组的上游分析-从BCL到FASTQ cellranger count --id=cellranger_count \ --transcriptome=/mnt/f/Linux/genomeAnno test_sample \ --sample=test_sample \ --expect-cells=1000 \ --localcores=16 \ --localmem=128 \ --nosecondary 单细胞专题 | 4.单细胞转录组的上游分析-从SRA到FASTQ cellranger count --id=cellranger_count \ --transcriptome=/mnt/f/Linux/genomeAnno
4K42编辑于 2022-06-13 - 来自专栏生信技能树
5种方式美化你的单细胞umap散点图
我们生信技能树的单细胞月更群里面经常看到小伙伴提出的图片美化需求，这就来看看单细胞umap美化工具吧！ 端到端的单细胞管道SCP-整合流程 端到端的单细胞管道SCP-细胞质控 端到端的单细胞管道SCP-标准流程 端到端的单细胞管道SCP-快速开始 SCP—为单细胞分析设计的端到端解决方案 端到端的单细胞管道 theme_args = list(base_size = 16)) 上面三个是我最喜欢的ump风格，还有很多其他，总有你的一款： 第二种：Nebulosa（r包） Nebulosa 是一个基于核密度估计可视化单细胞数据的 （椒盐风格这个词我在一篇单细胞文献中遇到过，现在找不见了，当时还专门在群里问了来着哈哈哈哈） 还可以轻松地修改配色： # 修改颜色 # Set color palette pal <- viridis(
10.8K00编辑于 2025-01-11 - 来自专栏单细胞天地
读取h5ad格式的单细胞文件
首先是，读取h5ad格式的单细胞文件，这里以两个样本，数据链接是 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi? /GSE153643_RAW/GSM4648564_adipose_raw_counts.h5ad', "h5seurat", overwrite = TRUE,assay = "RNA ") scRNA <- LoadH5Seurat(". 函数，然后一个LoadH5Seurat即可。 两个样品的10x单细胞转录组数据分析策略 三个10X单细胞转录组样本CCA整合 多个单细胞转录组样本的数据整合之CCA-Seurat包 如果你对单细胞数据分析还没有基础认知，可以看基础10讲： 01.
10K42编辑于 2022-01-17 - 来自专栏单细胞天地
OSCA单细胞数据分析笔记-5 Quality control
对应原版教程第6章 http://bioconductor.org/books/release/OSCA/overview.html 在单细胞数据分析中的第一步质控往往是剔除不合格的细胞。 如下结果，会剔除33个cell qc.lib <- df$sum < 1e5 qc.nexprs <- df$detected < 5e3 qc.spike <- df$altexps_ERCC_percent 相关代码如下 library(scRNAseq) sce.grun <- GrunPancreasData() #这个sce里有5个batch，其中有两个是有问题的(ERCC占比过高) sce.grun 往期回顾 单细胞分析十八般武艺4：velocyto clustree—聚类可视化利器 肺的正常上皮细胞可以分成这5群 明码标价之10X转录组原始测序数据的cellranger流程 ---- -- -- ---- 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
1.9K30发布于 2021-04-29 - 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5
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 ,immune.clusters[5]), paste0("immune." ,immune.clusters[5]), paste0("immune."
81120编辑于 2022-08-26 - 来自专栏百味科研芝士
m6A结合单细胞转录组打造5分+SCI
作者对结直肠癌患者的单细胞转录组数据进行分析，分别鉴定m6A介导的TME细胞亚群并鉴定这些细胞亚群的预后价值和预测免疫治疗反应的价值。 方法：对33例CRC癌症样本的65362个细胞的单细胞转录组数据进行分析，使用CRC数据集和免疫治疗数据集鉴定与预后和免疫反应有关的TME簇。 CRC样本的TME细胞的m6A调控因子 作者使用CRC的单细胞转录组数据集研究m6A RNA甲基化调控因子的情况（图1A）。 NMF共鉴定到5个m6A相关T细胞簇，分别为甲基-T-C1至甲基-T-C5（图4B），在这5个m6A相关T细胞簇和肿瘤上皮细胞中配体-受体对数量不同（图4C）。 随着各类m6A介导的细胞亚群中m6A基因的变化，作者发现不同细胞亚群的RFS和OS具有显著差异（图5A和5B）。
1.1K20编辑于 2022-05-17 - 来自专栏生信菜鸟团
V5版seurat读取不同格式单细胞数据
前情概要 在23年3月份的时候（下意识想说今年了hhh，恍然发现已经24年），菜鸟团作者就整理过不同格式的单细胞数据读取的方法，是基于V4版本的。 读取不同格式的单细胞转录组数据及遇到问题的解决办法 当时我在学习单细胞的时候，读取数据都是按照推文里面的方法使用的，也就有了不同格式单细胞数据下载及读取分析流程这篇笔记。 使用Seurat的v5来读取多个10x的单细胞转录组矩阵 使用Seurat的v5来读取多个不是10x标准文件的单细胞项目 不同格式单细胞多数据读取方法 读取数据进行分析之前，我们需要安装加载需要的R包， h5格式其实也有对应的函数Read10X_h5()可以直接读取，但是Read10X_h5使用循环读取多个数据文件，会返回一个list，需要手动整合一下 #加载需要的R包 library(hdf5r) 参考推文：使用Seurat的v5来读取多个不是10x标准文件的单细胞项目 txt.gz格式 dir='.
6.6K24编辑于 2024-01-06 - 来自专栏生信技能树
单细胞数据清洗的这5个步骤你会做吗？
也许是我们对不同的样品使用了不同批次的试剂、用过不同化学成分的试剂盒、完全不同的单细胞测序平台、一个样本必须在冰上保存一夜、改变了组织分离方法、不同的样品在不同的测序平台。 这里将重点介绍 10X 单细胞表达数据。 library(DropletUtils) cleaned = swappedDrops('data/outs/molecule_info.h5') 大多数情况下，这一步并不能起到多大作用。 ，有点类似于特定的gene panel，也就是说目前主流的10X单细胞仪器其实可以被BD平台的单细胞取代？ 例如，单细胞分析的一个共同目标是在实验中定义特定细胞类型特有的基因。从表面上看，将你的细胞类型分成多个簇似乎会阻碍这一努力。但是，所有这些实际上都会使注释数据的任务变得更加困难。
4.4K20编辑于 2022-06-27 - 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。 (BiocParallel)register(MulticoreParam(workers = 4, progressbar = TRUE))load('scRNA.Rdata') 2、SeuratV5版本 )# 13 layers present: counts.sample1, counts.sample2, counts.sample3, counts.sample4, counts.sample5, = 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
98510编辑于 2024-09-17 - 来自专栏生信技能树
癌症研究中单细胞数据分析的5个难点
——下 4.单细胞转录组分析综述 5.一篇文章带你走进单细胞的天地 6.单细胞测序技术将彻底改变整个生物科学 7.回顾：单细胞入门-读一篇scRNA-seq综述 8.单细胞RNA-seq数据分析最佳实践 5个难点，如下所示： (1) identifying common cell types and states shared across patients and disease states from 难点5：单细胞亚群之间的动态变化 动态变化以前主要是拟时序分析，我也多次介绍过： 简单直接的拟时序分析方法，R包SCORPIUS推荐 拟时序分析的10个步骤 把基因表达量画在拟时序结果图上 拟时序分析就是差异分析的细节剖析 详见：使用基于python的velocyto软件做RNA速率分析 其它单细胞高级分析 癌症研究中单细胞数据分析肯定是不只是这5个难点啦，部分其它难点我也做了相应的介绍： 10x官网下载pbmc3k数据集走 RNA速率上下游分析实战 pyscenic的转录因子分析结果展示之各个单细胞亚群特异性激活转录因子 pyscenic的转录因子分析结果展示之5种可视化 使用cytoTRACE评估不同单细胞亚群的分化潜能
1.1K20编辑于 2022-12-16 - 来自专栏单细胞天地
单细胞分析十八般武艺5：monocle3
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 单细胞分析十八般武艺4：velocyto monocle3 cole-trapnell-lab/monocle3') 安装有困难的朋友可以使用我的镜像kinesin/rstudio:1.2，下载链接见《kinesin_rstudio的日常升级二》，使用方法见《华为云配置单细胞分析环境及报错处理
25.1K74发布于 2021-04-29 - 来自专栏生信技能树
可视化单细胞亚群的标记基因的5个方法
单细胞数据分析也是如此，人人都知道需要降维聚类分群。 有了好的代码，甚至非本专业的财务人员都可以复制粘贴我们写好的的代码，参考前面的例子：人人都能学会的单细胞聚类分群注释 ， 但不一定每个人都能合理的解释各个单细胞亚群，而标记基因是其中最重要的一个手段来辅助说明你的细胞亚群 广为人知的seurat包就提供了5个方法来进行标记基因可视化，让我们来总结整理一下吧。 根据生物学背景知识，我们需要可视化如下所示的各个单细胞亚群的标记基因，如下所示: ? 这个时候有5个可视化方法，分别是：小提琴图，坐标映射图，峰峦图，气泡图，热图。 文末小调研 这5个可视化方法，小提琴图，坐标映射图，峰峦图，气泡图，热图。你最喜欢哪个？
4.4K41发布于 2021-03-23 - 来自专栏百味科研芝士
单细胞测序结合生信分析发优质的5分+文章
本研究中作者使用单细胞测序技术（scRNA-seq）进行研究，为深入理解LSCC肿瘤内异质性提供了基础。 二、分析流程 ? 使用Monocle R包进行伪时间分析，构建的单细胞轨迹见图1h，细胞状态主要分为三个阶段，左图展示不同肿瘤细胞簇的分布轨迹，右图从深到浅指示总体伪时间状态。 ? 图2b：正常，免疫和肿瘤细胞之间的配体-受体相互作用数热图 5.LSCC组织的肿瘤细胞异质性 图3a突出显示每个肿瘤细胞簇的t-SNE图，伪分化轨迹分布，共表达标记基因和GO功能富集结果。 永生肿瘤细胞高表达标志物MTRNR2L1，MTRNR2L8和MTRNR2L12，而转移肿瘤细胞高表达SERPINB5，GJA1和TM4SF1，功能富集结果表明它们分别与受体拮抗剂活性和膜通透性调节相关。 图5b：LSCC组织中的HE染色，Ki67和SPRR3的IHC染色 ?
4.2K51发布于 2020-10-09
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