- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信菜鸟团
转录组数据质量评估-3
FastQC软件可以对fastq格式的原始数据进行质量统计，评估测序结果，为下一步修剪过滤提供参考。
59110编辑于 2024-07-10 - 来自专栏分析工具
GENIE3转录组转录因子分析学习
分析流程 1、导入矩阵数据和转录因子 rm(list=ls()) library(GENIE3) load("~/data.Rdata") exp1_input <- exp1[intersect(degs allTFs_hg38_new.txt",header = F) A1 <- intersect(tfs$V1,rownames(exp1_input)) length(A1) # [1] 12 需要提前将转录因子和矩阵基因取交集 , 因为目前已知的转录因子数量是有限的，而且未必会出现在分析的矩阵中。 #K=7, nTrees=50 ) dim(weightMat_1) # [1] 12 213 限定转录因子的好处在于能够帮使用者提前规定好TFs和靶基因的身份 /GENIE3/inst/doc/GENIE3.html 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)。
81311编辑于 2024-09-01 - 来自专栏数据科学（冷冻工厂）
空间转录组: DLPFC数据集分析 (3)
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！
22410编辑于 2025-11-19 - 来自专栏生信喵实验柴
空间转录组
一、什么是空间转录组？ 空间转录组，也称为 spatial gene expression，简称 ST-seq，是将转录组学，单细胞测序技术以及组织切片技术结合起来的技术。 传统的转录组可以得到基因的差异表达信息，单细胞转录组提供了更高分辨率的基因表达信息，可以分辨出不同细胞的类型，而空间转录组在此基础之上，还可以得到不同类型细胞的空间分布信息，分辨率进一步提高。 样品切片信息 切片+单细胞得到的空间转录组 二、为什么要做空间转录组？ 空间转录组将组织切片与转录组测序结合，实现空间信息和转录本信息的获取。 四、空间转录组建库 由于空间转录组相比于单细胞转录组多了空间信息，因此 10X Visium 的实验可以分为两个板块——组织学板块和组学板块。
4.6K21编辑于 2023-02-24 - 来自专栏用户7627119的专栏
空间转录组
近年来空间转录组技术出现在人们的视野中，由于这项技术不仅能够获得转录组的表达信息，同时还能对基因进行定位，因此受到研究者们的追捧。空间转录组技术到底是什么？它有什么用？应该怎么用？ 因此空间转录组整合了基因表达和空间位置两种信息，实现对基因的定位。 ? 小鼠肾脏的空间聚类和基因表达 二、空间转录组有什么用？ 空间转录组技术可以帮助我们更准确的了解疾病的病理信息；空间转录组可以消除组织分离带来的偏差。 空间转录组技术无需进行组织解离，避免了在解离过程中造成的细胞损伤；空间转录组有助于异质组织中细胞类型的识别。 ? 空间转录组可以保留组织和细胞的微环境信息 三、空间转录组是怎么实现的？ 实验流程 三、空间转录组如何应用？ 整合空间转录组和单细胞转录组揭示胰腺导管腺癌的组织结构 ?
2.5K31发布于 2020-08-06 - 来自专栏R语言小白
转录组 - 比对
生信技能树学习笔记 参考基因组准备 常用参考基因组 Ensembl asia.ensembl.org/index.html NCBI UCSC ## 进入参考基因组目录 mkdir -p $HOME/database /GRCh38.105 cd $HOME/database/GRCh38.105 ## 下载基因组 ## 一般选择primary assembly，没有的话可以选择toplevel nohup wget release-105/fasta/homo_sapiens/dna/Homo_sapiens.GRCh38.dna.primary_assembly.fa.gz > dna.log & ## 下载转录组序列 Homo_sapiens.GRCh38.105.chr.gtf.gz >gtf.log & nohup wget -c http://ftp.ensembl.org/pub/release-105/gff3/ homo_sapiens/Homo_sapiens.GRCh38.105.chr.gff3.gz >gff.log& fasta 数据格式 以 > 开头，序列名称&序列描述 序列中允许空格、换行、空行，
2K20编辑于 2023-03-02 - 来自专栏小明的数据分析笔记本
转录组数据下游分析神器~3DRNAseq
论文 3D RNA-seq: a powerful and flexible tool for rapid and accurate differential expression and alternative Transcript-level expression analysis of RNA-seq experiments with HISAT, StringTie, and Ballgown中的数据集，这个论文中提供了转录组数据从头处理的整个流程 ，用到的示例数据集是人类一条染色体的数据，数据量也不大，非常适合我们入门转录组数据分析使用。 前面的流程我使用的是 hisat2比对 samtools sam bam 格式转换 stringtie组装转录本 gffcompare and gffread提取转录本 salmon进行转录本定量 最后获得 这个是转录本id和基因id的对应关系 image.png 分别上传以上准备好的3个文件 ，上传好以后点击 add selected information to analysis 然后点击 step3
1.2K51编辑于 2022-02-21 距离3D空间转录组还有多远？
作者，Evil Genius今天我们讨论一个问题，那就是3D空间转录组，这个方向其实很早就提出了。其中最让人期待的文章是这个据说很不错，但是目前没人用过。 也有一些其他的文章努力做3D空间转录组，例如还有或者还有个最笨的方法，就是连续切片那么3D空间转录组何时能够商业化并且让科研工作者运用起来呢？ 今天我们分享一个3D的方法，文章在Deep-STARmap和Deep- RIBOmap两项技术，能够在60–200微米厚的完整组织块中实现三维（3D）原位基因转录组与翻译活性的同步量化。 现有空转的缺陷通量低（通常＜300基因），成像区域有限；依赖线性编码与RNA完整性，检测效率低、可扩展性差；多轮成像中RNA分子位移导致周期受限；缺乏翻译组空间定位能力，无法同步解析单细胞翻译活动。 鼠脑的验证使用Tetbow对分子细胞类型进行单细胞形态学分析Deep-STARmap在人类皮肤鳞状细胞癌（cSCC）中的应用总结技术虽然一直在更新，那么何时能用上3D空间转录组呢？生活很好，有你更好
19720编辑于 2025-12-18- 来自专栏数据科学（冷冻工厂）
空间转录组: Visium HD 数据集分析 (3)
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1] 反卷积分析 接下来，我们将对以 16 µm 为单位的 Visium HD 空间转录组数据进行反卷积分析 为了确保参考数据与 Visium 数据在转录特征上保持一致，我们仅保留来自 patient 2 的细胞作为参考集。 memory low) cs <- split(seq_len(ncol(sce)), sce$Level1) cs <- lapply(cs, \(.) sample(., min(length(.), 4e3)
41710编辑于 2025-11-29 转录组——下游分析
③帖子：count转TPM/FPKM实战（GSE229904）（3）数据预处理在分析之前，一般会对基因表达进行过滤，比如：低表达的基因以下是常见的几种过滤方式• 在至少在75%的样本中都表达的基因• 过滤平均值 是否组内样本的重复性合格？是否前期设置的组与组间可以分开？ （推文）相关性分析层次聚类树3、差异表达分析差异分析-edgeR差异结果可视化：热图和火山图，公众号有画图专辑二、差异基因功能注释功能注释：查询感兴趣的基因/基因集合参与哪些可能的生命过程，起到了什么作用 ——功能的富集分析1、功能富集分析的原因一组基因直接注释的结果是得到大量的功能结点。 2、功能富集分析的统计方法-over-presentation（1）超几何分布及累积超几何分布（2）二项分布及累积二项分布（3）卡方检验或Fisher精确检验结果美化的专辑 #绘图小技巧20253、功能富集分析
62900编辑于 2025-06-24- 来自专栏生信技能树生信入门马拉松
转录组测序分析
转录组数据分析一般流程转录组测序原理SBS（Sequencing-By-Synthesis）：通过单分子阵列实现在小型芯片（Flowcell）上进行 桥式PCR反应。 通过可逆阻断技术实现每次只合成一个碱基，再利用四种带有不同荧光标记的碱基，通过荧光激发/捕获，读取碱基信息基于 可逆终止的、荧光标记dNTP，边合成边测序转录组:组织或所有细胞中包含所有类型的RNA转录集合 mRNA： RNA-Seq，普通转录组测序lncRNA：lncRNA-Seq，一般采用链特异性测序miRNA： miRNA-Seq，小RNA测序circRNA: cirRNA-seq，一般有两种，消化性线性 RNA建库或者去rRNA建库转录组测序实验流程1. 文库构建(1) 磁珠富集真核生物mRNA（此步骤对RNA的完整性要求比较高， 一般RIN值要大于8）；(2) mRNA进行随机打断；(3) 以mRNA为模板，合成第一条cDNA链和第二条cDNA链(4)
87110编辑于 2024-06-27 - 来自专栏R语言&linux
转录组——背景介绍
一、转录组概述图片综述：A survey of best practices for RNA-seq data analysis 图片图片转录组测序原理中心法则图片图片图片mRNA测序实验流程图片测序的原理 ：边合成边测序（SBS）linux命令复习图片图片图片图片目录管理#详细命令```bash# 进入到个人目录cd ~## 1.建立数据库目录：在数据库下建立参考基因组数据库，注意命名习惯：参考基因组版本信息
46730编辑于 2023-10-19 - 来自专栏生信菜鸟团
转录组概述-1
生信技能树学习笔记 关于转录组的综述 • A comprehensive evaluation of normalization methods for illuminating high-thoughput 转录组分析的几种策略 A和b是有参考序列的c是没有参考序列的物种，a是以基因组为参考序列，b是以转录组为参考序列。 测序原理 1.中心法则 2.转录组是指所有RNA的转录本，可以是单个细胞也可以是一群细胞。 RNA分为编码和非编码RNA，非编码RNA又可以分为 RNA根据质量（A）和数目（B）排序，如下 主要在于建库方式有所不同，提取RNA对象不同 • mRNA：RNA-Seq，普通转录组测序 • lncRNA 普通转录组测序流程 1.RNA样品检测 高质量的RNA是整个项目成功的基础。
59210编辑于 2024-07-10 - 来自专栏生信技能树
单细胞转录组3大R包之Seurat
Median Mean 3rd Qu. Median Mean 3rd Qu. " "CTD-2006K23.1" "IFITM3" "ABI3" ## [5] "CEBPB" ## [1] "" ## [1] "" 对 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
23.8K222发布于 2018-03-09 - 来自专栏生信技能树
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。
5.7K101发布于 2018-03-09 转录组 课前背景
本篇内容引自生信技能树 一、课前背景 1、转录组数据分析一般流程 2、转录组概述 （1）分析准备 课题实验设计、测序方案选择，不同数据质控点 （2）核心分析 表达定量、差异表达分析、功能层面解释 （3） 高级分析内容（自学） 可视化、其它RNA组学、其它组学联合分析 3、转录组的几种分析策略 （a）有参考的DNA基因组序列 （b）有参考的转录组层面的RNA序列 （c）没有基因标准参考的序列 4、应用案例 （1）airway data（课上使用数据） （2）肺癌耐药关键gene筛选（课上实战案例） （3）非模式物种辣椒（课上实战案例） （4）非模式物种人参(课上实战案例) 5、转录组测序原理——中心法则 基因组学、转录组、蛋白组、代谢组、表观组（DNA上的遗传表观：甲基化、乙酰化；RNA上的表观调控）、互作组（蛋白质之间，RNA之间，DNA序列和转录因子之间） 6、转录组概念 （1）转录组的概念 一群细胞或所有细胞里面的所有 ，所以转录组数据里面一定是有重复的。
39510编辑于 2025-06-07转录组——上游分析
一、转录组概述转录组-课前背景二、准备工作——目录管理三、.FASTQ数据介绍以及QC转录组-课前背景四、质控——数据质量评估1、FastQC软件FastQC主页：http://www.bioinformatics.babraham.ac.uk ——Ensembl3、参考基因组下载目标：使用两个软件对fq数据进行比对，得到比对文件sam/bam，并探索比对结果。 pub/release-113/fasta/homo_sapiens/dna/Homo_sapiens.GRCh38.dna.primary_assembly.fa.gz >dna.log &# 下载转录组序列 ①E：外显子；G：基因；T：转录本②基因ID和基因名字；转录本ID和转录本名字；③可以在Ensembl基因组数据库里直接搜某个基因名字和物种去查看它相应的转录本等等，这个也就是gtf文件所呈现的内容，即对 3、数据比对比对内容• 建索引（使用服务器上已经构建好的）• 比对参考基因组• sam转bam• bam建索引4、Hisat2主要参数5、Hisat2运行0）构建索引：（这里使用上课构建好的，自己课后做练习
68220编辑于 2025-06-12- 来自专栏全栈程序员必看
转录组测序火山图_转录组差异基因筛选标准
安装并载入R包 2. count数矩阵导入并对矩阵进行数据处理 3. 查看样本相关性并采用热图展示 4. hclust对样本进行聚类分析 5. 构建原始dds矩阵并保存为Rdata对象 6. 转录组数据分析主要参考了生信技能树Jimmy老师的相关课程及推文。 RNA-seq的read count普遍认为符合泊松分布，但是之前分析过的芯片数据符合正态分布，所以筛选DEGs的方法有一定差别。 ,-1] exprset <- exprset[apply(exprset,1,function(x) sum(x > 1) > 1),] #先判断值是否为0，得到逻辑值，再取和，判断0的个数是否小于3 BioMart网页工具的原始界面如下所示： 其中左侧菜单栏分别是Dataset--选择相关物种参考基因组； Filters--选择数据gene ID的类型，并输入gene ID，也存在其他类型的 参考文件 [1] https://mp.weixin.qq.com/s/uDnFJC0szOHtO2NqREz2wA [2] https://www.jianshu.com/p/3a0e1e3e41d0
1K10编辑于 2022-09-27 - 来自专栏用户7627119的专栏
单细胞转录组+空间转录组构建人类心脏发育3D图谱
前面我们简单介绍了空间转录组，今天我们来分享一篇相关应用。 方法流程 本文采集了妊娠早期三个阶段(4.5–5，6.5，9周)的心脏组织样本，依次采用空间转录组学(ST)、单细胞转录组测序(scRNA-seq)和原位靶向测序技术(ISS)进行分层研究，最终构建了妊娠早期三个阶段心脏发育的 3D可视化转录图谱。 ---- ---- 2、单细胞转录组测序研究心脏发育不同阶段异质性 取中间点(6.5-7周)的细胞，并将组织分为两个不同区域进行单细胞转录组测序。 ---- ---- 3、构建发育中的心脏表达图谱 为阐明人类胚胎心脏发育过程中不同细胞类型在空间上的分布以及区域异质性问题，文章将原位杂交应用到空间转录测序的三个样本中，实现了在单细胞水平进行基因表达时空性的研究
2.8K41发布于 2020-08-06 - 来自专栏生物信息学、python、R、linux
kallisto比对参考转录组
kallisto是2016年发表在Nature Biotechnology上的一个比对工具，可以将bulk或者single-cell RNA-Seq数据的序列直接比对到转录组，然后进行转录本鉴定及定量。 kallisto的优势在于比对速度很快，这是因为用了一种伪比对方法，即将k-mers比对到参考转录组上。在用20套模拟数据与以往其他软件速度比较中，kallisto速度明显更快： ? 1. 创建索引 kallisto index ${dir}/trancripts.fasta -i ${dir}/trans_index 提供fasta转录组序列生成索引文件。 3. 可视化 --genomebam选项可以实现，此外还需要两个额外文件，一个是gtf文件，里面有每个转录组在染色体中的位置；另外一个是每个染色体的长度文件。
2.4K20发布于 2020-06-23
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