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，

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

得到与本研究分析一样的结果，表明本研究的单细胞的数据的可靠性。图片为了探究细胞的轨迹发生，指定为第13簇中的所有细胞(循环细胞)设置唯一的起点，得到了5条不同的轨迹(图3A)，反映了已知的根发育轨迹。 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)。 同时，使用'icals3m'工具关闭PSE质膜与邻近细胞类型的连接，改变了PAPL1的环状表达（图7e），过量表达PEAR1导致PAPL2的异位表达（图7f）。 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）。 Commun Biol. 2020 Apr 22;3(1):184. doi: 10.1038/s42003-020-0907-3.

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

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 "S17", "sAPL"), id = c("AT1G79430", "AT5G52870", "AT2G37590", "AT2G22850", "AT3G12730 colour = dataset)) + labs(x = "UMAP 1", y = "UMAP 2") + scale_colour_brewer(palette = "Dark2") p3 y = "UMAP 2") + scale_colour_viridis_c(option = "magma") + facet_grid(~ dataset) (p1 | p2) / p3

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

这篇文章是2022年3月发表在science上的一篇关于选用单细胞测序技术揭示番茄地上根形态建成的机制，以及地下根形成的一篇文章。 [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)。 两个簇(8和9)被归类为干细胞，并富含几种根干细胞调节因子的表达(图3)。(中六)。 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。

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。 ，基因在不同部位的表达，因此也是单细胞组学文章中常用的方法，用作者的代码后，发现配色和布局相对很合理，整体相对更和谐。

单细胞Seurat - 细胞聚类(3)

本系列持续更新Seurat单细胞分析教程，欢迎关注！ 我们在这里选择了 10 个，但鼓励用户考虑以下事项： 树突状细胞和 NK 与 PC 12 和 13 密切相关的基因定义了罕见的免疫子集（即 MZB1 是浆细胞样 DC 的标记）。 我们发现，将此参数设置在 0.4-1.2 之间通常会为大约 3K 细胞的单细胞数据集带来良好的结果。对于较大的数据集，最佳分辨率通常会增加。可以使用 Idents() 函数找到簇。 AAACATACAACCAC-1 AAACATTGAGCTAC-1 AAACATTGATCAGC-1 AAACCGTGCTTCCG-1 ## 2 3 2 1 ## AAACCGTGTATGCG-1 ## 6 ## Levels: 0 1 2 3 4 5 6 7 8 未完待续，持续更新

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。 数据方法 1.样本数据 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 2.数据分析： 测序平台：Illumina HiSeq 2500 101bp paired-end 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。

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。 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 Shen, C. (2020) Tissue-specific study across the stem of Taxus media identifies a phloem-specific TmMYB3

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

这些转录因子在不同细胞间稳定表达，并能在C3和C4植物叶片的维管束鞘细胞中激活光合作用。本研究结果为理解复杂的C4途径进化提供了分子层面的见解，并为指导C3和C4作物的生长发育提供了理论基础。 目前对于不同细胞类型之间如何进行光合调控是未知的，也不清楚C4模式怎样从C3途径进化而来的。 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。 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。

单细胞day3

，同一个颜色的点被认为时一类细胞，那末到底是什么细胞呢，可以通过marker基因进行分析。 2marker 基因可以把marker基因理解为特征基因，特征基因在某一类细胞中表达量比较高，在其它类细胞中表达量低。 3可视化3.1 热图> library(ggplot2)> DoHeatmap(seu.obj, features = g) + NoLegend()++ scale_fill_gradientn( levels(scRNA)library(Seurat) #"RenameIdents"是Seurat里面的scRNA <- RenameIdents(scRNA,new.cluster.ids)p3 <- DimPlot(scRNA, reduction = "umap",label = T,pt.size = 0.5) + NoLegend()p3 #没操作手动注释的所以没有p2跟花花老师的不一样是因为我用了不同的参考数据集

单细胞day3

前一天 折腾安装包 花了一个晚上加整整一个早上加中午，搞得人很崩溃，怀疑自己是否要坚持下去

单细胞数据分析3（单细胞数据自动注释）

单细胞分析: Scanpy 核心绘图 (3)

引言 本系列讲解 使用 Scanpy 分析单细胞（scRNA-seq）数据 教程[1]，持续更新，欢迎关注，转发！ ="viridis" ) Heatmaps Heatmaps 不会像前面的图那样把细胞合并。 ，我们可以找出在细胞簇或组别中差异表达的基因。 该函数会依次取每一组细胞，将该组内每个基因的分布与该组外所有细胞的分布进行比较。这里，我们将使用 10x 提供的原始细胞标签，为这些细胞类型找出标记基因。 同时，我们希望只关注在某一细胞类型与其余细胞之间 log fold change ≥ 3 的基因。

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）

单细胞RNA测序（scRNA-seq）和空间转录组学方法在不同环境中生长的植物器官中的应用有可能揭示根发育阶段基因表达的复杂性，并确定细胞类型特异性响应环境胁迫的机制。 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。

单细胞实战之单细胞hdWGCNA分析——入门到进阶(高级篇3）

在高级篇2中回顾了用于拟时序分析的CytoTRACE2和monocle3两个工具。 构建metacellsmetacells是由来自同一个生物样本的、相似细胞组成的小群体聚合而成的。 该过程使用k最近邻(k-Nearest Neighbors, KNN)算法来识别相似细胞的群体，然后计算这些细胞的平均或总表达量，从而生成一个metacell基因表达矩阵。 虽然可以在整个数据集中计算所有细胞的kME，但建议在之前用于运行ConstructNetwork的细胞类型或分组中计算kME，这里选择了Treg细胞。 主要在Treg细胞中表达，其正相关得分在Treg细胞中也表现为较高的表达水平。

🤩 Monocle 3 | 太牛了！单细胞必学R包！~（三）（建立单细胞轨迹）

下面就是今天的内容了： 单细胞转录组、蛋白组、表观组学等单细胞技术的发展为研究细胞周期、细胞分化等细胞动态过程提供了新的机会。 使用轨迹推断（TI，trajectory inference）的方法可以根据测序的细胞之间表达模式的相似性对单细胞沿着轨迹进行排序，模拟细胞动态变化的过程。 比如，对感染的反应时，固有免疫细胞和基质细胞会有非常不同的初始转录组，对感染的反应也很不同，所以它们应该是同一轨迹的一部分。 细胞会分成一个个partition，然后形成单独的轨迹。 3d <- cluster_cells(cds_3d) cds_3d <- learn_graph(cds_3d) cds_3d <- order_cells(cds_3d, root_pr_nodes =get_earliest_principal_node(cds)) cds_3d_plot_obj <- plot_cells_3d(cds_3d, color_cells_by="partition

单细胞数据复现-肺癌文章代码复现3

单细胞数据复现-肺癌文章代码复现1：https://cloud.tencent.com/developer/article/1992648 单细胞数据复现-肺癌文章代码复现2：https://cloud.tencent.com /developer/article/1995619 通过第一部分的数据基本处理，目前是已经得到了三种不同的细胞分群结果。 这一部分主要是对的epi细胞分群进行的细分，也是代码很长，我准备分成两个部分进行拆解 library、color及数据的加载 首先是按照复现1同样的参数加载包及颜色等变量。 tissue_type, fill = cluster_type)) + geom_bar(position = "fill") + scale_fill_manual(values = c("cyan3" width = 15, height = 15, units = "cm") DimPlot(epi_anno, group.by = "cluster_type", cols = c("cyan3"

python单细胞学习笔记-day3

import KMeans from sklearn.datasets import make_blobs # 生成样本数据 X, y= make_blobs(n_samples=100, centers=3, random_state=42) # 使用 KMeans 聚类 kmeans = KMeans(n_clusters=3, random_state=42) kmeans.fit(X) print 可以包含多种数据类型的数据结构，是数据的容器 7.1 列表的创建 用一堆方括号 [] 创建列表，每个元素之间使用 , 分隔 列表可以宝行多种数据类型 # 创建一个包含整数的列表 numbers = [1,2,3,4,5 # dict + zip # 把键和值分开创建之后zip到一起 keys = ['name', 'age', 'city'] values = ['Tom', 25, 'Beijing'] dict3 = dict(zip(keys, values)) print(dict1) print(dict2) print(dict3) 10.2 字典取子集（单个元素） 不能用索引来提取子集 只能用键提取

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 | 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 ---- (1) 软件安装和介绍 Cellranger mkfastq