- 综合排序
- 最热优先
- 最新优先
- 来自专栏文献分享及代码学习
单细胞文献分享-利用单细胞测序技术分析根韧皮部细胞图谱，揭示了初生韧皮部邻近细胞中常见的转录模式
图片通过流式细胞仪可以丰富研究数据结果，并使用10X平台进行单细胞文库构建，获得10,204个高质量的细胞，定义为那些至少有2,000个检测到的基因，并将这些细胞划分为15个亚群。 轨迹分析识别出主要由簇10(扩展数据图2B)形成的轨迹(轨迹4，图3A)，这主要是由MAKR5排序贡献的，表明这可能是早期的MSE细胞(图2A)。 在第10簇中，我们发现表达MSE标记的细胞，如sAPL和APL，以及在MSE和其他细胞类型中表达但不在PSE中表达的其他基因(AT5G47920，PAPL1；图2B和7)该图谱可代表连续的韧皮部发育轨迹为了查看本研究的数据深度 其他韧皮部标记基因，如MAKR5、APL和环状基因SBT4.12，在3papl突变体背景中的表达与野生型相似，表明3papl在韧皮部发育方面没有缺陷（扩展数据图10b-d）。 当植物在有或没有蔗糖的培养基中生长时，这些标记和SUC2的表达相似（扩展数据图10e-h）。
1.4K50编辑于 2022-08-20 - 来自专栏文献分享及代码学习
单细胞韧皮部研究代码解析1-QC_filtering.R
我去年分享了一篇单细胞韧皮部研究的文献分享，我一直都很喜欢看这篇文章作者的代码，写的很棒，推荐给大家。 analysis/functions/utils.R")# Marker genes whose promoters were used for cell sorting#文章里面加入了marker基因对不同的细胞类型进行了筛选 , round(attr(reducedDim(ring_soft, "PCA"), "percentVar")[2]), "%)")) + coord_fixed(ratio = 0.8)# 在单细胞的文章中 methods中的方法进行了批次效应的去除图片# Batch effects - hard filter ---------------------------------------------# 对于单细胞研究中 基本思路是先对数据进行基本的数据质控，然后umi，检测到的基因的结果进行可视化吗，确定基本数据质控的质量，其中去看一些PCA降维的内容是不是对后续的分析有影响；随后开始进行是否需要做批次效应分析，一般单细胞分析是需要默认做批次效应处理的
95300编辑于 2023-04-02 - 来自专栏文献分享及代码学习
单细胞韧皮部研究代码解析3-comparison_brady.R
单细胞韧皮部研究代码解析1-QC_filtering.R:https://cloud.tencent.com/developer/article/2256814? areaSource=&traceId= 单细胞韧皮部研究代码解析2--comparison_denyer2019.R：https://cloud.tencent.com/developer/beta/ ，很多研究学者会将以前做的显微切割的RNA-seq的数据与自己的研究内容进行比对，则可以得到在单细胞和亚细胞水平上的数据结果。 ")[rownames(lon_matrix), ]), lon_matrix, method = "spearman") ## 得到每个细胞和 RNA的数据集进行整合，计算了细胞与组织之间的相关性系数，为鉴定细胞亚群也做了相关的参考，在细胞层面和亚细胞层面上都做了相关的分析，也是在以前的文章中没有看到的内容，同时我自己对自己的数据也进行了测试，
44020编辑于 2023-05-05 - 来自专栏文献分享及代码学习
单细胞韧皮部研究代码解析2--comparison_denyer2019.R
单细胞韧皮部研究代码解析1-QC_filtering.R:https://cloud.tencent.com/developer/article/2256814? areaSource=&traceId= 今天继续给大家分享这篇作者的代码，在很多人做单细胞数据分析的时候，，目前是伴随单细胞组学的发展，如何将前人发表的单细胞转录组数据与获得的单细胞数据进行整合，这篇文章的作者提供了一个思路
49200编辑于 2023-04-08 - 来自专栏文献分享及代码学习
文献精读单细胞-一个超保守的位点调控地上根及地下根的形态建成
[图片.png] 番茄SBR的单细胞图谱 为了查看韧皮部细胞形成根分生组织的轨迹，选用了第1、3和5阶段的根分生组织以及根起始前的韧皮部相关组织的来进行单细胞mRNA图谱构建。 并选用ICI算法，基于已发表的数据，进行细胞注释，分别识别木质部、韧皮部、干细胞、根冠和维管系统初始细胞群(分别为簇3、5、8、9、10和2)。 stage origin和1 的SBR富集到大量皮层和韧皮部细胞，猜测这一部分可能是一类形态相似的韧皮部和皮层细胞，stage 1细胞的三分之一被归类为韧皮部薄壁组织或韧皮部，表明芽生根来自于该组织。 [图片.png] 番茄SBR的起源 对这个亚群进行轨迹分析，确定该簇是根冠和干细胞(簇9和10)之间的分支点，这表明，这种短暂的细胞身份，作者称之为“过渡”，代表了新的芽生根分生组织的祖先。 总体而言，通过单细胞分析证实，芽生根来自分化的韧皮部薄壁组织，并确认了在韧皮部薄壁组织向根分生组织的转变过程中形成的先前未描述的细胞身份 [图片.png] SBRL基因定位 为了确定过渡干细胞的潜在调控因子
1.4K30编辑于 2022-05-16 - 来自专栏文献分享及代码学习
单细胞韧皮部研究代码解析4-Fig01-umap_cell_types.R
单细胞韧皮部研究代码解析1-QC_filtering.R:https://cloud.tencent.com/developer/article/2256814? areaSource=&traceId= 单细胞韧皮部研究代码解析2--comparison_denyer2019.R：https://cloud.tencent.com/developer/beta/ areaSource=&traceId= 单细胞韧皮部研究代码解析3-comparison_brady.R：https://cloud.tencent.com/developer/beta/article 在对单细胞的数据进行可视化的时候，气泡图是很常用的研究工具，但是一般的Seurat的代码给出的气泡2是这样的。 cluster_mnn_logvst <- factor(ring$cluster_mnn_logvst, levels = c("8", "10
50020编辑于 2023-05-06 - 来自专栏yw的数据分析
10X单细胞测序细胞分类
介绍 文章对已知的多种细胞系混合后进行单细胞10X RNA测序，研究多克隆之间的互作模式。我们这里介绍里面的单细胞测序基因表达细胞分类操作。 & n_cls < 100+param_range) { clust_res <- 4 } else { stop('Not implemented') } 根据之前QC时的标记，选择过质控的细胞 = 'pca', dims = 1:n_pcs, k.param = 10 FindClusters(seuObj, resolution = clust_res, verbose = FALSE) 原文出处 http://www.thecodesearch.com/2021/02/04/10x 单细胞测序细胞分类/
72010发布于 2021-02-22 - 来自专栏生信宝典
杭州师范大学王慧中团队揭示红豆杉幼茎细胞特异的紫杉烷合成调控模式
诸如：10-脱乙酰基紫杉醇(10-deacetyl paclitaxel)均匀分布于整茎中，10-脱乙酰基巴卡丁(10-DAB)和巴卡丁(BAC)主要积累于内皮层和韧皮部中，而紫杉醇(taxol)特异积累于外皮层中 通过高通量单细胞测序，绘制了红豆杉幼茎单细胞表达图谱，平均单细胞基因检测数为2996，表明了红豆杉茎组织具有高度的细胞异质性。 基于细胞特异标记基因，将所得单细胞分为18个细胞类群，提供了南方红豆杉茎组织的单细胞表达谱，为揭示紫杉烷类化合物细胞群差异积累的调控机制打下了基础。 该研究指出，T14OH、T5OH和TS基因主要在内皮层细胞群中表达，T10OH和DBTNBT基因主要在木质部薄壁细胞群中表达，DBAT基因在外皮层细胞群中表达。 杭州师范大学王慧中团队近年来在红豆杉次生代谢调控研究中取得了一系列进展，鉴定了多个红豆杉韧皮部特异表达的紫杉醇合成调控因子(Yu et al., 2020, The Plant Journal), 解析了曼地亚红豆杉雌雄差异形成的机制
60720编辑于 2023-08-30 - 来自专栏生物信息云
单细胞专题 | 10.细胞周期分析
最重要的两个特点就是DNA复制、分裂成两个一样的子细胞。 在分析单细胞数据时，同一类型的细胞往往来自于不同的细胞周期阶段，这可能对下游聚类分析，细胞类型注释产生混淆；由于细胞周期也是通过cell cycle related protein 调控，即每个阶段有显著的 marker基因；通过分析细胞周期有关基因的表达情况，可以对细胞所处周期阶段进行注释；在单细胞周期分析时，通常只考虑三个阶段：G1、S、G2M。 下面文章中的：sce3 单细胞专题 | 9.如何人工注释单细胞类群？ 具体参考文章【单细胞数据分析中scran包进行细胞周期分析时细胞周期marker基因的转换】 ###基因转换 library(clusterProfiler) library(org.Hs.eg.db)
2.6K31编辑于 2022-11-24 - 来自专栏生信技能树
胡萝卜的长非编码RNA的鉴定
下面是100个lncRNA组装案例文献分享 12个样本：2个基因型（紫色和橙色胡萝卜）X 2个组织（木质部和韧皮部）X 3个生物学重复。 紫胡萝卜韧皮部和木质部组织中的花青素浓度和色素分布不同，表明两个根组织中存在独立的遗传。此前的研究表明，DcMYB7和DcMYB6参与紫根样品韧皮部色素形成的调控。 数据编号：PRJNA668894 质控过滤： FastQC Trimmomatic：(ILLUMINACLIP:TruSeq3-PE.fa:2:30:10 LEADING:21 TRAILING:21 在紫色组织中主要是（1）类黄酮、花青素途径的早期阶段；(2)细胞色素P450蛋白，推测与类黄酮和异黄酮的生物合成途径有关；(3)ATP结合盒式转运蛋白，可能与花青素运输有关；(4)该途径晚期的烯类。 这四个基因在紫色韧皮部和木质部组织中的比较RT-qPCR表达。 讨论 通过对韧皮部和木质部紫色样本的解剖，作者可以发现DcMYB6 和DcMYB7基因没有组织特异性的表达，这与之前的报道相反。
67720发布于 2021-07-06 - 来自专栏文献分享及代码学习
文献解析18 单细胞组学揭示了C3及C4植物中影响光合作用的保守调控元件
这一过程导致维管束鞘中叶绿体中二氧化碳浓度增加10倍，从而减少氧化反应，进而提高光合以及水和氮的利用效率。因此，C4植物在炎热和干燥环境中可以良好生长，其中包含多个世界上高产的作物品种。 利用已发表的标记基因及同源基因的内容，为每个亚群进行了细胞注释，分别归属于叶肉细胞、保卫细胞、表皮细胞、木质部薄壁组织细胞和韧皮部细胞。GO富集分析中鉴定到的Terms与细胞的生物学功能是一致的。 最明显的作者发现维管束鞘细胞的细胞核，来自高粱的细胞核与来自水稻的维管束鞘细胞核明显聚集在一起。 通过对同源基因的解析，作者发现高粱的维管束鞘细胞在转录上更类似于水稻的叶肉细胞和保卫细胞，而水稻的维管束鞘细胞与高粱的韧皮部最为相似。 作者通过比较不同物种中每种细胞类型的25个最显著富集的顺式调节motif，去检索两个物种中保守的顺式调控元件，在两种物种的维管束鞘和韧皮部特异性峰中富集到DOF基序。
1K10编辑于 2024-12-30 - 来自专栏生物信息云
单细胞专题 | 1.单细胞测序（10×genomics技术）的原理
单细胞测序技术以单个细胞作为对象，通过对单个细胞遗传物质均匀扩增，标记建库后进行测序，最后对单个细胞基因组或转录组展开数据分析，其技术原理主要包括单细胞分离、扩增测序和数据分析3方面。 市场上，较成熟的商业单细胞测序公司主要有 10X Genomis 公司 的Chromium( 液滴法) 及 BD 公司的Ｒhapsody( 微孔法)。 这里重点介绍 10×genomics技术。 10个碱基长的UMI，有100万种序列的变化（4^10 = 1,048,576），UMI的作用是为了区分哪些哪些reads是来自于一个原始cDNA分子，区分基因片段重复还是duplication及区分是真实的 3' 端文库的构建 通过10×genomics仪器将单个细胞与单个凝胶微珠通过油相混在一起，形成油包水的小微滴，接下来把细胞膜破掉，让细胞当中的mRNA游离出来。 10x Chromium是一种高通量方法，使用UMIs进行定量，适合研究高度异质组织和大量的细胞样本。 后面介绍数据怎么分析............
47.6K31编辑于 2022-06-13 - 来自专栏单细胞天地
10x单细胞测序技术揭示肝脏细胞全景图
然而人们对构成人体肝脏的细胞类型和免疫微环境知之甚少。作者使用10x单细胞RNA测序手段绘制了人类肝脏细胞全景图，从来自五个人新鲜肝脏组织中分离得到的8444个实质和非实质细胞转录谱。 10x样品处理和cDNA文库制备 将组织破碎获得悬浮细胞溶液后，用台盼蓝染色计数检测细胞活率，在49-90%范围，使用10x Genomics Single Cell 3′ v2 Reagent Kit 作者都是按10x官方推荐的条件进行操作的。测序平台采用的是Illumina HiSeq 2500。 ? 用10x官方的CellRanger产生表达矩阵，接着用R包进行过滤、归一化、聚类。 过滤器阈值通常设定为10％，但是肝细胞线粒体含量很高，因此作者选择了阈值为50％，以优化保留肝细胞而去除死亡和垂死的细胞。作者还过滤除去了双核细胞。 ?
5.1K31发布于 2020-03-30 - 来自专栏生信技能树
单细胞分析的10个基础问题
单细胞数据质量控制的核心诉求是什么？ 答：去掉各种各样的低质量的细胞 。 单细胞数据质量控制的主要做了什么？ 一般是指细胞的过滤，其实是从一个barcode X gene矩阵中过滤掉一部分不是细胞的barcode，如细胞碎片，双细胞，死细胞等。 percent_hb(红细胞基因表达比例)：表明红细胞这个单细胞亚群的比例，一般来说不研究红细胞，所以过滤它没有问题。 percent_mito(线粒体基因表达比例)：表明细胞状态，值过高可能是濒临死亡的细胞，同样，不能一概而论，有些组织样本的细胞处于高代谢过程，该值会高于正常组织。 关于整不整合数据，时要根据实验设计和单细胞数据本身决定的，其中，在整合数据是为了更好的注释细胞亚群，而不用纠结为什么相同的细胞亚群在UMAP展示的时候相隔千里，当然这可能是因为样本特异性导致的离群细胞亚群
4.7K32编辑于 2022-07-26 顶刊分享---单细胞空间转录组学揭示了根组织如何适应土壤胁迫（水稻）
根系对压实土壤产生了适应性生长反应;但是潜在的基因细胞群-具体的转录反应和分子机制仍然知之甚少。结果一、水稻根scRNA-seq和空间转录组图谱10X单细胞技术 + 公共数据。 单细胞数据的差异富集分析。与在无菌均质凝胶中繁殖相比，在土壤中生长的根似乎通过上调所有细胞类型中的防御、营养和细胞壁相关基因表达来适应其异质性环境。 与内部细胞层相比，外部细胞层更敏感，加强营养吸收（即“获得营养”）和细胞壁完整性，以促进根系探索土壤中的异质资源。 在屏障中次生细胞壁形成之间的一个关键环节是增强的细胞壁刚度，这有助于保护根系免受土壤机械应力的影响。 为了响应这种土壤胁迫，韧皮部细胞上调非生物胁迫信号阿坝的生物合成基因的表达，然后靶向外部根细胞类型，如外皮层，形成不透水屏障，以减少根系水分损失。最后看看方法植物细胞的注释生活很好，有你更好。
57620编辑于 2025-05-0210X官方发布10X visium HD细胞分割方法
细胞分割一直都是空间组学的一大难题，横平竖直的bin模式不是细胞真实的分布状态（这个在之前的文章中屡次提到）。 首先关于visium HD， poly-A based gene expression和probe-based gene expression均已可用，也就是说新鲜组织样本与FFPE样本均可以做10X的 万个图块进行训练，包括如下组织类型：人类：胸腺、皮肤（黑色素瘤）、前列腺、结肠、结肠癌、乳腺癌、乳腺癌、扁桃体、胸腺、脑癌、脑癌、肺癌、肺癌和脾脏小鼠：脑、骨、睾丸、小肠、脾、胚胎、肝、肺、肾和胸腺（10X 从目前搜集的情况来看，有4篇HD的实验类文章，其中一篇用到的是单细胞空间联合，另外三篇全部是细胞分割，由此可见细胞分割是大趋势。 ）顶刊分享----组织驻留记忆CD8 T细胞多样性具有时空印记（HD + cellpose + Xenium）文献分享--颗粒酶K+CD8+ T细胞与成纤维细胞相互作用，促进鼻息肉中性粒细胞炎症（首篇10X
77010编辑于 2025-06-16- 来自专栏生信技能树
一个10x单细胞转录组项目从fastq到细胞亚群
最近在安排学徒单细胞分享的时候，有一个学徒提到了GSE168522这个数据集，是很标准的6个10x单细胞转录组样品，如下所示： GSM5145401 Sample 16_Normal-1 GSM5145402 》有它的介绍：单细胞测序揭示阿尔兹海默症的B细胞相关标志物 可以看到原文提到的每个10x的单细胞转录组样品细胞数量蛮合理（5到8千），如下所示： 细胞数量蛮合理 作者的降维聚类分群也是超级简单，就是第一层次而已 10X公司为主流，我们也是在单细胞天地公众号详细介绍了cellranger全部使用细节及流程，大家可以自行前往学习，如下： 单细胞实战(一)数据下载 单细胞实战(二) cell ranger使用前注意事项 一个简单的脚本就可以处理全部的6个10x单细胞转录组数据文件： cat id.txt |while read id;do (nohup bash run-cellranger.sh $id 1>log 首先是批量读取6个10x的单细胞转录组样品 rm(list=ls()) options(stringsAsFactors = F) library(Seurat) library(ggplot2) library
2.6K32编辑于 2022-03-03 - 来自专栏单细胞天地
混样的10X单细胞转录组
最近有粉丝提到是否可以把多个样本混杂到一起建立一个10X单细胞转录组库进行测序后数据分析，的确是有这样的例子，比如我前些天在Twitter看到的发表在Nephrology Dialysis Transplantation 实验设计非常简单 就是10个ESRD病人，10个正常人志愿者的血液，提取PBMC进行10X仪器的单细胞转录组数据而已。 值得注意的是，其中研究团队就做了两个10X哦，也就是说他们把 10个ESRD病人混合成为一个样品，10个正常人志愿者也混合成为一个样品。 下面的流程图写的很清楚具体细胞数量，平均检测到的基因数量是1000，每个样品检测到1万个左右的细胞数量，都符合10X仪器的技术水平。 ? 然后研究者单独看某一群细胞继续细分 因为本研究设计非常简单，就一个变量，就是10 healthy volunteers and 10 patients with ESRD ，所以主要的分析都是围绕这个变量来进行
1.9K20发布于 2020-03-30 - 来自专栏简说基因
一键分析10X单细胞数据
今天我们来介绍一种更为简单的方法：一键处理 10X 下机数据。 STARSolo 分析 10X 基因组学的 v3 化学版本数据。 只需要设置： • 参考基因组（可以是服务器内置的，也可以是自己上传的） • GTF文件（可以自行上传，或使用平台提供的） • Barcode文件（来自于10X下机数据） • cDNA文件（来自于10X下机数据 “是”，否则设置为“否”） • 预期数据数（一个整数，表示预期样本中有多少个细胞） 设置完毕，点击“运行流程”就可以了。 细心的朋友可能注意到，RNA STARSolo 不需要 10X 下机的 I1（Illumina通道信息）文件。
44310编辑于 2025-01-08 - 来自专栏空间转录组数据分析
10X单细胞（10X空间转录组）CNV分析之inferCNVpy
阳了个阳~~~文章在10X单细胞（10X空间转录组）CNV分析回顾之CopyKAT详细回顾了copycat，还有分享的文章copyKAT推断单细胞转录组肿瘤细胞CNV（自动识别肿瘤normal和tumor 一些细胞类型在生理上过度表达某些基因组区域（例如浆细胞高度表达基因组相邻的免疫球蛋白基因）。如果提供多种细胞类型，则仅考虑与所有提供的细胞类型不同的区域受CNV影响。 adata.obs["cnv_status"] = "normal"adata.obs.loc[ adata.obs["cnv_leiden"].isin(["10", "13", "15", " 4、通过从每个细胞中减去每个细胞的中位数，按细胞将平滑的基因表达居中。5、执行噪声过滤。 如果数据集包含不同的细胞类型并且包括肿瘤细胞和正常细胞，则可以使用所有细胞的平均值作为参考。这是默认设置。
2.2K40编辑于 2022-12-13
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