- 综合排序
- 最热优先
- 最新优先
- 来自专栏生物信息云
单细胞专题 | 9.如何人工注释单细胞类群？
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 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 | 5.单细胞转录组的上游分析-从FASTQ到count矩阵 单细胞专题 | 6.单细胞下游分析——不同类型的数据读入 单细胞专题 | 7.单细胞下游分析——常规分析流程案例一 单细胞专题 | 8.单细胞类型注释之SingleR包详解 1.细胞类型的marker基因 单细胞人工注释依赖于marker gene的调查，简单来说，就是收集各种细胞类型的标志物 实际上我做的大量肿瘤单细胞数据分析项目里面，需要有一些背景知识哦！
8.7K21编辑于 2022-12-16 - 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9
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 -肺癌文章代码复现4https://cloud.tencent.com/developer/article/2006654单细胞数据复现-肺癌文章代码复现5https://cloud.tencent.com /developer/article/2008487单细胞数据复现-肺癌文章代码复现6https://cloud.tencent.com/developer/article/2008704单细胞数据复现 /results", width = 10, height = 9, units = "cm")CXCL9 <- read_excel("Quantification_CXCL9.xlsx")CXCL9
1.1K40编辑于 2022-07-11 - 来自专栏单细胞天地
OSCA单细胞数据分析笔记9—Clustering
clust <- igraph::cluster_walktrap(g)$membership table(clust) #clust # 1 2 3 4 5 6 7 8 9 18 19 20 21 22 #523 302 125 45 172 573 249 439 293 95 772 142 38 18 62 38 30 16 15 9 .50 <- igraph::cluster_walktrap(g.50)$membership table(clust.50) # 1 2 3 4 5 6 7 8 9 往期回顾 NC单细胞文章复现(三)：复杂热图 scPhere——用地球仪来展示降维结果 2021第一期生信入门微信群答疑精选200题 开机，写bug ---- ---- ---- 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 生信爆款入门-2021第4期 数据挖掘（GEO,TCGA,单细胞）2021第4期 明码标价之共享96线程384G内存服务器 ?
2.7K21发布于 2021-07-02 - 来自专栏单细胞天地
单细胞分析十八般武艺9：DoubletFinder
10X genomics单细胞平台的dulblets比率 ? CellRanger可以检测doublets吗？ 需要注意的是，dedoublets还没有权威方法，这些方法可能会过滤一些真正的单细胞。 DoubletFinder简介 分析原理 依据单细胞表达矩阵建立的低维空间中，表达特征相似的细胞彼此之间距离更近。 DoubletFinder生成人工模拟的doublets，并将他们掺入原始单细胞表达数据，原则上人工模拟的doublets会与真实的doublets距离较近。 需要注意的是DoubletFinder对相同细胞类型构成的doublets不敏感，因为这些细胞在表达特征上与真实的单细胞没有明显的差异。 分析流程 ?
13.3K68发布于 2021-05-18 - 来自专栏数据科学（冷冻工厂）
R中单细胞RNA-seq分析教程 (9)
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！ 利用注释好的参考数据集辅助新数据分析 随着全球范围内单细胞RNA测序（scRNA-seq）数据的不断增多，特别是在人类细胞图谱（HCA）项目的推动下，大量注释详尽的图谱级scRNA-seq数据集已公开可用 seurat_ref, group.by="celltype") plot3 <- FeaturePlot(seurat_ref, c("SOX2","DCX","FOXG1","EMX1","DLX2","LHX9"
35310编辑于 2025-02-18 - 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9
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 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 3BAE2L$SingleR <- ovar_3BAE2L$SingleR.ovarovar_3BAE2L$Sample <- "3BAE2L"ovar_3CCF1L <- readRDS(datasets[9] Mast.3","Macrophage.4", "DC.5","T.6","NK.7","Endothelial.8","Fibroblast.9"
71220编辑于 2022-08-30 - 来自专栏单细胞天地
9步骤完成单细胞数据挖掘文章全部图表复现
手动进行细胞注释 # 免疫细胞 5,6,8,9,15,20 DotPlot(sce,features = c('PTPRC','CD45')) # T细胞 0,[8],9,13 DotPlot 4,[12,13,17,19] DotPlot(sce,features = c('EPCAM','KRT19','PROM1','ALDH1A1','CD24')) # 单核细胞和巨噬细胞 5,6,9,15 ),2] <- 'Immune cells' marker[marker$cluster %in% c(0,8,9,13),2] <- 'T cells' marker[marker$cluster % = hclust(as.dist(selectTOM), method = "average") selectColors = module_color[select] sizeGrWindow(9,9 =0,1] 9.
1.4K31编辑于 2023-08-31 - 来自专栏生信技能树
9步骤完成单细胞数据挖掘文章全部图表复现
两个月前我们更新了优秀的马拉松学员笔记：单细胞+芯片+转录组测序的数据挖掘文章一比一复现，内容非常详实，理论上该流程可以复用到然后一个癌症或者其它疾病，大纲也很清晰（单细胞数据分析本身往往是数据挖掘课题的一个环节而已 手动进行细胞注释 # 免疫细胞 5,6,8,9,15,20 DotPlot(sce,features = c('PTPRC','CD45')) # T细胞 0,[8],9,13 DotPlot ),2] <- 'Immune cells' marker[marker$cluster %in% c(0,8,9,13),2] <- 'T cells' marker[marker$cluster % = hclust(as.dist(selectTOM), method = "average") selectColors = module_color[select] sizeGrWindow(9,9 =0,1] 9.
3.7K12编辑于 2023-09-04 - 来自专栏生信技能树
python单细胞学习笔记-day9(发在Science的celltypist软件注释)
前面的python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） python单细胞学习笔记-day5 python单细胞学习笔记-day6 python单细胞学习笔记-day7 python单细胞学习笔记-day8(singler自动注释) 今天继续学习视频 celltypilst细胞注释 4.celltypist_multisamples.ipynb：多样本的单细胞标准分析以及后面的celltypilst细胞注释 1.单样本的celltypist注释 1.1 Adult_Human_PrefrontalCortex.pkl Downloading model [8/54]: Adult_Human_Skin.pkl Downloading model [9/ ，各种格式，可以看我们前面的帖子：python版读取不同的单细胞数据格式（单样本与多样本） 多样本读取：用for循环批量读取数据 # 用for循环批量读取数据 adata = {} for i in range
92601编辑于 2025-03-28 - 来自专栏全栈程序员必看
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 process.label = 8) #term字体大小 dev.off() termCol <- c("#223D6C","#D20A13","#FFD121","#088247","#58CDD9" 单细胞测序流程所有课程到这里就已结束了 以后我会更新一写现在比较流行的tcga挖掘 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/127991.html原文链接：
2.2K42编辑于 2022-07-31 - 来自专栏小汪Waud
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。
1.4K40编辑于 2023-02-03 - 来自专栏生信学习111
单细胞4
)) # 复制文件，+ }+ }+ })[[1]]NULL[[2]]NULL[[3]]NULL[[4]]NULL[[5]]NULL[[6]]NULL[[7]]NULL[[8]]NULL[[9] 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 T-cells" [5] "Neutrophils" "Monocytes" "Adipocytes" "CD4+ T-cells" [9] 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 - 来自专栏数据科学（冷冻工厂）
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。
80511编辑于 2023-01-25 - 来自专栏天意生信俱乐部
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。 Expires=1712352870&Key-Pair-Id=APKAI7S6A5RYOXBWRPDA&Signature=lAp0t6wo-oNLmAhcfNGu6Nqie6OOcWcWoZWx9Lj2JxE8Gj1Do8p2rVYH ~PE4f0wCemkrQKilRUDa42FRKskUugvKT59MrZDj9fkWy4lxlPlMOBFOLJG~eZOQJxwKgTzkXdYGuBr~J~k0KGTF0rCYBH0p6s5BB5Bff5Rx033 ~PE4f0wCemkrQKilRUDa42FRKskUugvKT59MrZDj9fkWy4lxlPlMOBFOLJG~eZOQJxwKgTzkXdYGuBr~J~k0KGTF0rCYBH0p6s5BB5Bff5Rx033
86410编辑于 2025-02-18 - 来自专栏li_wait
打印9*9乘法口诀
j = 1; j <=i; j++) { printf("%d*%d=%d ", j, i, i * j); } printf("\n"); } return 0; } 打印9* 9乘法口诀表： 从图中看出第四排和第五排没有对齐，要想对齐，可以考虑 printf限定占位符的最小宽度（https://blog.csdn.net/wait___wait/article /details/135287228） 9*9乘法口诀表中最大位数是2，因此设最小宽度为2。
44810编辑于 2024-10-23 - 来自专栏R语言数据分析
单细胞数据分析3（单细胞数据自动注释）
pred.scRNA$pruned.labels#查看注释准确性 plotScoreHeatmap(pred.scRNA, clusters=pred.scRNA@rownames, fontsize.row = 9,
67410编辑于 2023-10-15 - 来自专栏生信学习111
单细胞no.1
3 一些简单数据结构(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 12 13 14 15> c<- seq(1,5,by = 0.5) #1-5之间每隔0.5取一个数（注意是逗号不是分号）> c[1] 1.0 1.5 2.0 2.5 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。 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
39710编辑于 2024-06-18 - 来自专栏单细胞天地
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。
81620发布于 2020-03-27 - 来自专栏生信喵实验柴
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。
5.3K21编辑于 2022-10-25 - 来自专栏技术杂记
9
服务端 /var/log/messages 中会出现类似的日志Aug 25 00:26:02 pptp-server pptpd[10177]: CTRL: Client 103.240.124.15 control connection startedAug 25 00:26:02 pptp-server pptpd[10177]: CTRL: Starting call (launching pppd, opening GRE)Aug 25 00:26:02 pptp-server pppd[10178
97820编辑于 2022-06-30
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