- 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
这篇文章是2022年8月4日发表在Nature Plants上的一篇文章，讲的是选用单细胞组学的技术来解析韧皮部细胞的一个过程。 最近的根部单细胞图谱提供了详细的根部全景图，但即使这样，对于韧皮部细胞的研究仍然不足。因此作者通过对韧皮部标记基因进行分类，结合单细胞测序，产生了一个由10204个细胞组成的韧皮部细胞图谱。 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)。 这个基因和它的姐妹基因DOF2.3（CYCLING DOF 4，CDF4）在早期韧皮部细胞中表达。 韧皮部细胞是来源于胚胎后发育的，因此叶子和根部中均存在韧皮部细胞，那相关的功能是什么，作者也用一套单细胞的数据集来进行分析，来表明韧皮部细胞在不同组织的功能是什么。
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。 4), breaks = seq(-4, 4, by = 1), labels = c("<= -4", -3, -2, -1, 0, 1, 2, 3
50020编辑于 2023-05-06 - 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。 rm1000_MEAN", "Lateral root", "S17_MEAN", "Phloem Pole Pericycle", "S18_MEAN", "Maturing xylem", "S4_ 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
在根分生组织发生之前，可以观察到TCSn在韧皮部远端区域零星表达。在~4周龄植株中，在节间伸长停止后立即发生根起始事件，以生长素和细胞分裂素信号的诱导为标志。 [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。 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 - 来自专栏生信学习111
单细胞4
GSM7306057_sample4_barcodes.tsv.gz"[11] "01_data/sample4/GSM7306057_sample4_features.tsv.gz"[12] "01_ 红细胞基因：在某些情况下，红细胞基因可能在特定类型的细胞（如红细胞）中高度表达，这可能会影响对其他细胞类型基因表达的分析。但是有些测量红细胞基因表达离群值太大或者太小那肯定不对，需要删除这样的。 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 将高维数据映射到低维空间中聚类分群：聚类分群的目的是将相似的细胞聚集在一起，形成不同的细胞群体或亚群，这些群体可能代表不同的细胞类型或状态。 我理解的就是control中nk和其他细胞的差异基因，和treat和其他细胞之间的差异基因，他俩取交集就是无论在control和treat组中NK和其他细胞都有差异的基因，这个会叫NK和其他细胞的差异保守的基因
1.2K10编辑于 2024-06-23 - 来自专栏生信技能树
胡萝卜的长非编码RNA的鉴定
Blein, Martin Crespi, Diego Lijavetzky 杂志：Scientific Reports, 18/2/2021 DOI：10.1038/s41598-021-83514-4 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。 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。 4.RT-qPCR验证了DcMYB6和DcMYB7及其反义lncRNA的差异表达 ? RNA-seq和RT-qPCR在所有紫色样品中都检测到这四个基因的表达，而在橙色组织中检测不到这四个基因的表达。 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 - 来自专栏数据科学（冷冻工厂）
单细胞Seurat - 降维与细胞标记(4)
这些算法的目标是学习数据集中的底层结构，以便将相似的细胞放在低维空间中。因此，在上面确定的基于图的簇内分组在一起的细胞应该在这些降维图上共同定位。 特别是，这些方法旨在保留数据集中的局部距离（即确保具有非常相似的基因表达谱的细胞共定位），但通常不会保留更多的全局关系。 默认情况下，与所有其他细胞相比，它识别单个簇的阳性和阴性标记（在 ident.1 中指定）。 = c("NKG7", "PF4"), slot = "counts", log = TRUE) FeaturePlot(pbmc, features = c("MS4A1", "GNLY", "CD3E 在此数据集的情况下，可以使用规范标记轻松地将无偏聚类与已知细胞类型进行匹配： new.cluster.ids <- c("Naive CD4 T", "CD14+ Mono", "Memory CD4
79421编辑于 2024-03-12 - 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。 然而，到目前为止，只鉴定到几个控制C4基因细胞特异性表达的顺式元件。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。
1K10编辑于 2024-12-30 - 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。 本研究以单细胞水平的分辨率建立了红豆杉幼茎中主要细胞类型的表达图谱，为进一步研究细胞特异的紫杉烷合成调控机制提供了基础。 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
60720编辑于 2023-08-30 - 来自专栏单细胞天地
干细胞样CD4+ T细胞判定及分析
，进行了CIBERSORT分析，两种组织来源都表达了静息CD4+记忆T细胞和单核细胞的基因，而激活的CD4+记忆T细胞和记忆B细胞仅见于主动脉炎。 单细胞分析结果 对分离CD4+ T细胞进行单细胞RNA-seq (scRNA-seq)研究，经过严格的质量控制，保留了680个CD4+ T细胞。 + T细胞(簇0)、tfh样T细胞(簇1)、cycling(簇2和4)和细胞毒性CD4+ T细胞(簇3)。 细胞轨迹从TCF1hi CD4+ T细胞开始，随后分为三个分支，其中两个分支发展为两种不同的效应细胞群——tfh样细胞和细胞毒性CD4+ T细胞，第三个分支产生cycling CD4+ T细胞 scTCR-seq CD4+ T细胞群具有干细胞样特征。
62610编辑于 2024-05-20 单细胞的细胞注释要进入AI（GTP-4）时代了吗？
GPT-4将有可能将手动细胞类型注释过程转换为全自动或半自动过程，人类专家可以提供可选的帮助，以微调GPT-4生成的注释。 通过评估GPT-4与手工注释的差异，发现GPT-4生成的细胞类型注释与人类专家生成的细胞类型注释之间存在高度的一致性。 首先，与其他细胞类型标注方法不同，GPT-4的训练库在很大程度上是未公开的，因此很难明确验证GPT-4生成标注的基础。对GPT-4生成的注释的质量和可靠性进行严格评估可能仍然需要一定的人力。 第三，scRNA-seq数据中的高水平噪声和不可靠的差异基因可能会对GPT-4的细胞类型注释产生负面影响。最后，在人工智能的情况下，主要依赖GPT-4进行细胞类型注释可能存在风险。 建议人类专家在进行下游分析之前确认GPT-4生成的细胞类型注释的有效性。
54810编辑于 2024-03-30- 来自专栏顶刊美图
跟着顶刊学习单细胞CD4T细胞功能基因集评分！
，今天卡卡继续带大家学习这篇推文中的CD4T细胞功能基因集评分。 往期推文如下：跟着顶刊学习单细胞CD8T细功能基因集评分！回复20250411获取本期数据的CD4T细胞功能基因集评分！ # 用于rescale函数##这里加载自己的CD8T细胞处理好的Seurat对象即可load("CD4_Obj.Rdata")CD4_Obj$seurat_clusters=as.factor(CD4_ Obj$seurat_clusters)加载CD4T细胞功能基因集library(scales)# 设置输出路径figurePath <- ". 后台回复20250411获取本期数据的CD4T细胞功能基因集评分！
42810编辑于 2025-04-11 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。
57620编辑于 2025-05-02- 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4
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 前面是主要对 epi细胞进行的基本的分析。 patient_id", dims = c(1,2)) DimPlot(epi_pca, reduction = "pca", group.by = "patient_id", dims = c(3,4) ", "SCGB3A2", "HLA-DRA", "CD74", "ADGRF5", "C16orf89", "FOLR1", "SELENBP1", "HLA-DRB1", "ID4", "MGP",
1.3K20编辑于 2022-05-18 - 来自专栏生信技能树
python单细胞学习笔记-day4
drop_duplicates() print(df1.drop_duplicates(subset='change')) 3）计数：.value_counts() df1.change.value_counts() 4）
69800编辑于 2025-01-14 - 来自专栏单细胞
单细胞实战之亚细胞分群之CD4+T细胞分群——从入门到进阶(中级篇2）
该推文首发于公众号：单细胞天地上一讲在完成了从T/NK至CD4+T细胞流程实践后，在这一讲内容中我们将对CD4+T细胞进行亚群的细分。 差异基因结果；首先需要对常规的CD4+T细胞亚群具有一定了解，这些细胞亚群包括了：幼稚性T细胞，辅助性T细胞(THs)，记忆性T细胞和调节性T细胞(Treg)等细胞。 +细胞,第0,1,2,4,5,11,14簇可能是记忆性T细胞(Tcm)，第5簇可能是Th1细胞。 第1、2 簇可能为Th1细胞，因其特征性标志物包括TBX21(+)。第4、5、11簇可能为记忆性T细胞，因其表达ANXA1、GIMAP4、LEF1、TCF7。 第7-9、12、18簇可能为Naïve CD4⁺ T细胞，因其标志物为CCR7、SELL。第10簇可归类为Treg细胞，因为其高表达FOXP3、CTLA4、IKZF2。
2.2K00编辑于 2025-03-23 - 来自专栏生物信息云
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 | 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 ---
4.7K21编辑于 2022-06-13 - 来自专栏单细胞
单细胞实战之亚细胞分群从TNK至CD4+T细胞——从入门到进阶(中级篇1）
分析步骤原文内容提取了CD4+T细胞进行了后续的细胞分群，那么笔者这次也挑战一下提取CD4+T细胞并进行分群。 我们的分析流程主要为三步：1. 提取T/NK细胞并进行细胞“清洗”；2. 虽然本文的重点是CD4+T细胞，但由于CD4⁺T细胞的细分工作十分复杂且具有挑战性，需要在下一章中专门展开讨论，因此笔者先以NK细胞为例进行初步探讨，作为一次“小练手”，同时也检查一下NK细胞簇中是否混杂了其他的细胞 PMID: 34302920 接下来，我们重点关注CD4⁺T细胞。首先来看尚未确定的第3、4、7、9簇细胞。 在上述分析结果中，第3簇和第4簇的CD4表达水平均高于CD8A，且细胞数量也更多；第7簇中，CD4和CD8A的表达水平以及细胞数量都较为接近；而第9簇中，CD8A的表达水平高于CD4，且细胞数量更多。 因此，我们可以初步判断：第3簇和第4簇倾向于CD4⁺T细胞，第9簇倾向于CD8⁺T细胞，而第7簇的分类暂时还不能确定。
1.1K10编辑于 2025-02-22
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