- 综合排序
- 最热优先
- 最新优先
- 来自专栏生物信息学_troubleshooting
CITE-seq分析数据报错：Duplicate rownames not allowed
今天分析CITE-seq数据的时候遇到了一个error：“Invalid class "LogMap" object: Duplicate rownames not allowed”。
1.2K10编辑于 2024-03-30 - 来自专栏DrugOne
Nat. Biomed. Eng. | 腾讯AI Lab推出用于将单细胞转录组翻译为蛋白质组的预训练大型生成模型
系统评估表明，scTranslator 在多种测序技术（CITE-seq、REAP-seq、NEAT-seq、空间CITE-seq等）、多种细胞类型（单核细胞、巨噬细胞、T细胞、B细胞）、不同组织（血液 图3｜蛋白推断任务的系统性基准比较 在独立数据中的鲁棒表现 研究人员在四个独立数据集（ECCITE-seq PBMCs、CITE-seq mouse、空间CITE-seq、NEAT-seq）上进行留一类型验证 CITE-seq mouse： 尽管预训练仅基于人类数据，模型在鼠源数据上依然保持优异表现，表明跨物种泛化能力。 空间CITE-seq： 模型在不同组织（胸腺、脾脏、扁桃体、皮肤）中准确度最高，显示其从单细胞数据到空间组学的迁移潜力。
23510编辑于 2025-11-17 - 来自专栏DrugOne
Nat. Commun.| 基于多模态深度学习方法的单细胞多组学数据聚类
以CITE-seq为例，其ADT模式聚焦于表面蛋白。ADT数据显示了较低的丢失率，因此可以可靠地量化细胞活性。对于本研究分析的五个CITE-seq数据集，其ADT数据的丢失率高达12%。 同时，CiteFuse、Seurat V4和Specter可以使用基于距离的图来聚类CITE-seq数据。 从对CITE-seq和SMAGE-seq数据的大量实验中可以观察到scMDC的优越性能。 图1 scMDC模型架构 结果 真实CITE-seq数据评估 作者首先评估了scMDC在CITE-seq数据集上的聚类性能，并与10种竞争方法进行了比较。 作者在七个单批次CITE-seq数据集和两个多批次CITE-seq数据集上测试了这些方法。在这10种比较方法中，只有scMDC、Seurat和TotalVI可以在聚类前校正批次效应。
1.7K30编辑于 2023-02-17 - 来自专栏单细胞天地
多组学分析肺结核队列的记忆T细胞状态
/www.nature.com/articles/s41590-021-00933-1 发表期刊：Nature Immunology （2021-05-24） 数据是公开的：GSE158769 ，采用CITE-seq TH17) 细胞状态，在结核杆菌发展成肺结核病的过程中丰度和功能都有所下降 方法 数据准备 PBMC sample preparation Flow cytometry of total PBMCs CITE-seq scRNA数据质控 降维 聚类+注释 bulk RNA-seq 比对+定量 利用MASC(modeling of associations of single cells )评价不同细胞状态与疾病的关系 先用CITE-seq 测了>500,000个T细胞 在秘鲁首都利马进行了一次大型的流行病学调查（n= 18,544），从其中招募了264个人，采样了外周血单核细胞进行CITE-seq测定，同时还加入了基因表型数据和蛋白数据
93120发布于 2021-07-02 - 来自专栏优雅R
生信爱好者周刊（第 52 期）：真正的“科技与狠活”：全球首个人工“优选基因”的“完美婴儿”马上2岁啦！
一种多用途深度学习方法，用于CITE-seq和单细胞RNA-seq数据与细胞表面蛋白预测和插补的集成 CITE-seq 分析的一个挑战是多个 CITE-seq 数据集的集成。 这并非微不足道，因为不同 CITE-seq 数据集的蛋白质面板通常有一些不重叠情况，这会阻止简单的连接。 这允许 sciPENN 从具有部分不重叠蛋白质面板的多个 CITE-seq 数据集中学习，估算组成每个 CITE-seq 数据集的缺失蛋白质，甚至从部分重叠的 CITE-seq 数据集学习后可以预测外部 此外，sciPENN 比上述两个方法快一个数量级，使其成为综合 CITE-seq 和 scRNA-seq 数据分析的理想工具。
1.1K20编辑于 2022-12-30 - 来自专栏单细胞天地
Seurat 4.0 ||单细胞多模态数据整合算法WNN
如前文对CITE-seq的研究所述，与RNA分子相比，蛋白质分子拷贝数的增加通常会导致对蛋白质特征的更强检测。 因此，我们使用我们的WNN图来推导一个集成的UMAP和我们的CITE-seq数据集的聚类(图1E)。 我们利用CITE-seq技术以及优化的抗体panel和整合的WNN分析策略，生成人类PBMC的多模态图谱。 在这两种情况下，我们检查了根据我们的CITE-seq数据预计将被DE的基因表达水平，并且我们观察到在排序的剖面和CITE-seq簇之间有明确的一致(图4D, E)。 重要的是，我们证明了可以很容易地挖掘CITE-seq数据来为任何感兴趣的亚群识别最佳的免疫表型标记panel。
4K32发布于 2020-11-09 - 来自专栏单细胞天地
Seurat 4.0 ||您的单细胞数据分析工具箱上新啦
在我们新的预印本中，我们生成了一个CITE-seq数据集，其中包含转录组和228种表面蛋白的配对测量，并利用WNN定义了人类PBMC的多模态参考基。 您可以使用WNN分析来自各种技术的多模态数据，包括CITE-seq、ASAP-seq、10X Genomics ATAC + RNA和SHARE-seq。 single-cell data(https://satijalab.org/v4preprint) Vignette: Multimodal clustering of a human bone marrow CITE-seq NearestNeighbor analysis(WNN) (A, B) Independent analysis of transcriptome (A) and protein (B) modalities from a CITE-seq
2K50发布于 2020-11-02 - 来自专栏生信技能树
纯粹靠单细胞转录组数据是很难区分CD4和CD8阳性T细胞
比如CITE-seq（转录组和表位的细胞索引）是一种基于 RNA 测序的方法，可在单细胞读数中同时量化细胞表面蛋白和转录组数据。 , scRNA-seq, and T cell receptor sequencing (TCR-seq) CITE-seq panels included 15 an- tibodies to validate RNA-based cell-type annotation, and were expanded up to 81 antibodies for more specific investigation CITE-seq 也就是说，之前大家解决不了的单细胞转录组里面的 t细胞里面的cd4和cd8总是混合在一起的情况，可以通过添加蛋白质表达量来辅助区分，最出名的就是 CITE-seq single-cell expression 不知道能不能让能让大量的cite-seq数据起死回生不。。。。
2.9K12编辑于 2023-11-23 - 来自专栏文献分享及代码学习
Seurat软件学习6-多模型参考映射的方法
在这个例子中，我们将10Xgenomic发表的2700个PBMC的第一个scRNA-seq数据集之一映射到我们最近描述的用228个抗体测量的162,000个PBMC的Cite-seq参考。 在这个小节中，我们演示了如何使用先前建立的参考来解释scRNA-seq查询：1.基于一组参考定义的细胞状态来注释每个查询细胞2.将每个拟要做分析的细胞投影到先前计算的UMAP可视化中3.在CITE-SEQ 我们建议对CITE-SEQ数据集使用有监督的主成分分析，并在本教程的的下一个数据集上演示如何计算这种转换。但是，您也可以使用标准的PCA变换。 0.121 0.005 5.072808e-12## FRS2 2.983908e-15 0.1906088 0.152 0.009 3.751369e-11最后，我们可以基于CITE-SEQ 作为参考，我们使用了我们使用加权最近邻分析(WNN)分析的人类BMNC的Cite-Seq参考此节展示了与上一个节上的PBMC示例相同的引用两个数据集的功能。
1K30编辑于 2022-10-29 - 来自专栏数据科学（冷冻工厂）
单细胞分析：多模态 reference mapping (1)
10X Genomics公司早期发布的一个包含2700个外周血单核细胞（PBMC）的单细胞RNA测序（scRNA-seq）数据集，与我们最近创建的一个使用228种抗体测量的、包含162,000个PBMC的CITE-seq 估算在CITE-seq参考数据集中测量到的表面蛋白的预测水平。 要运行本示例，请确保安装了Seurat v4，该软件可在CRAN上下载。同时，您还需要安装SeuratDisk包。 我们建议对CITE-seq数据集采用监督主成分分析方法，并将在本指南的下一个部分展示如何执行这一变换。当然，您也可以选择使用传统的主成分分析（PCA）变换。 0.021 3.498588e-14 ## IL2RA 1.808612e-14 4.137935 0.208 0.014 2.273787e-10 最终，我们能够展示根据 CITE-seq
52110编辑于 2024-05-07 - 来自专栏单细胞天地
Seurat4.0系列教程16：多模式参考映射注释细胞
在此示例中，我们映射了 10X Genomics的（2，700 个PBMC）的scRNA-seq 数据集，到我们最近发表的 CITE-seq 参考的 162，000 PBMC，使用了 228 种抗体[1 在此教程中，我们演示了如何使用先前已建立的参考集来注释 scRNA-seq 查询集： 根据参考集的细胞状态注释每个查询集细胞 将每个查询细胞投影到以前计算的 UMAP 图中 估算CITE-seq 参考集中测量的表面蛋白质的水平 我们建议将受监督的 PCA 用于 CITE-seq 数据集，并在此教程的下一部分演示如何计算此转换。但是，您也可以使用标准的 PCA 转换。 0.005 5.072808e-12 ## FRS2 2.983908e-15 0.1906088 0.152 0.009 3.751369e-11 最后，我们可以可视化根据CITE-seq 我们使用加权邻近分析（WNN）[9]中的人类BMNC的CITE-seq作为参考。 此教程显示的参考映射功能与前面的 PBMC 示例相同。
2.3K42发布于 2021-07-27 - 来自专栏生信菜鸟团
细胞图谱 | Nature | 空间定位的人类胸腺细胞图谱映射到连续的组织轴上
d, 使用超聚类 CITE-seq 数据从 Visium 解卷积推断出的细胞定位。 e, 分割和 CITE-seq 导出注释后的 IBEX 细胞位置。 CITE-seq sample preparation CITE-seq样本制备 Para_01 细胞通过逐渐加入15个体积的预温IMDM培养基缓慢解冻，并在4°C下以1700转/分钟离心6分钟。 CITE-seq quality control and denoising CITE-seq 质量控制和去噪 Para_01 CITE-seq 数据使用 R 包 Seurat (v.4.3.0)，SeuratObject CITE-seq annotation CITE-seq 注释 Para_01 CITE-seq 数据的注释是在整合的 RNA 和去噪的 ADT 模态上进行的。 CITE-seq pseudotime analysis CITE-seq伪时间分析 Para_01 为了对 αβT 细胞系进行轨迹推断，CITE-seq 数据被子集化以包含 DP_pos_sel、DP
1K10编辑于 2025-01-10 - 来自专栏文献分享及代码学习
Seurat软件学习1-多个模型得数据进行整合
例如，CITE-SEQ能够同时测量同一细胞的转录本和细胞表面蛋白。 例如，我们演示了如何基于测量的细胞转录本对CITE-SEQ数据集进行聚类，并随后发现在每个聚类中丰富的细胞表面蛋白。 to discard all but the top 100 most# highly expressed mouse genes, and remove the 'HUMAN_' from the CITE-seq ")p2 <- FeaturePlot(cbmc, "rna_CD19") + ggtitle("CD19 RNA")p1 | p2图片识别scRNA-seq集群的细胞表面标志物我们可以利用我们整合的CITE-seq
1.2K31编辑于 2022-09-29 Nat. Comput. Sci. | 部分共享多模态嵌入学习细胞状态的整体表征
研究人员在模拟数据以及多个真实数据集上验证了 APOLLO 的性能，包括 SHARE-seq、CITE-seq 以及多重单细胞成像数据。 在 CITE-seq 数据中实现批次效应与生物信息分离 在 CITE-seq 数据分析中，APOLLO 的共享潜在空间主要反映细胞类型差异，而 RNA 特异空间则捕捉实验批次效应。
11320编辑于 2026-03-03- 来自专栏数据科学（冷冻工厂）
scRAN-seq｜加权最近邻分析(1)
通过CITE-seq和10x multiome两种单细胞多模态技术，展示了WNN分析的应用。不再仅仅依据单一数据类型来定义细胞状态，而是综合两种数据类型的信息来进行定义。 CITE-seq、RNA + ADT 的 WNN 分析 利用了 Stuart 和 Butler 等人在《Cell》杂志 2019 年发表的研究中的 CITE-seq 数据集，这个数据集由 30,672
24310编辑于 2024-04-15 - 来自专栏生信菜鸟团
数据库 | scImmOmics：一个人工编纂的单细胞多组学免疫数据资源
其他单细胞多组学技术的到来，如scTCR-seq、scBCR-seq、scATAC-seq、CITE-seq和scCUT&Tag，使通过捕捉转录组学、表观遗传学和功能方面来解释细胞异质性和研究免疫系统成为可能 当前版本的scImmOmics记录了来自七种单细胞测序技术（scRNA-seq、scTCR-seq、scBCR-seq、scATAC-seq、CITE-seq、ECCITE-seq和scCUT&Tag-pro 对于CITE-seq和ECCITE-seq数据，我们展示了每个细胞中感兴趣蛋白质的活性（图2C）。 (I) CITE-seq样本的UMAP投影。(J) 蛋白质活性（CITE-seq）。(K) '综合分析'工具。 值得注意的是，我们在其他组学样本中也观察到了显著富集，例如CITE-seq样本‘PBMC_0016’和scATAC-seq样本‘PBMC_0010’（图3H）。
37100编辑于 2025-05-09 - 来自专栏实验盒
Nature｜时空单细胞分析新突破：moscot框架实现多组学数据高效映射
多模态融合 整合基因表达、染色质可及性（ATAC）、蛋白质（CITE-seq）等多组学数据，通过共享隐空间构建联合距离度量。 2. 空间转录组增强：从单细胞到组织微环境 在肝脏空间转录组数据中，moscot将CITE-seq的91,000个单细胞（含蛋白质数据）映射至36.7万个空间位点，成功定位中央静脉（CV）和门静脉（PV）标志基因
47110编辑于 2025-02-05 - 来自专栏单细胞天地
多模式数据联合分析
例如CITE-seq能够同时检测来自同一细胞的转录组和细胞表面蛋白质。其他令人兴奋的技术，如[10 XGenomics]，允许对 scRNA-seq和scATAC-seq进行配对检测。 to discard all but the top 100 most # highly expressed mouse genes, and remove the 'HUMAN_' from the CITE-seq 识别 scRNA-seq 亚群的细胞表面marker 我们可以利用我们的配对 CITE-seq 测量来帮助注释源自 scRNA-seq 的cluster，并识别蛋白质和RNA标记。
1.1K30发布于 2021-07-02 - 来自专栏单细胞天地
单细胞技术揭示平滑肌细胞表型调节和TCF21疾病基因在抗动脉粥样硬化过程中的作用
主要实验方法 流式细胞术、10xChromium单细胞转录组建库（Illumina HiSeq 4000仪器测序 ）、CITE-seq(与10x文库合并用Illumina HiSeq 4000仪器测序 PS：CITE-seq（Cellular Indexing of Transcriptomes and Epitopes by sequencing）通过测序来进行转录组和表位的细胞索引技术的新型测序技术
2.5K20发布于 2020-03-30 - 来自专栏数据科学（冷冻工厂）
单细胞分析：多模态 reference mapping (2)
估算在CITE-seq参考数据集中测量到的表面蛋白的预测水平。 要运行本示例，请确保安装了Seurat v4，该软件可在CRAN上下载。同时，您还需要安装SeuratDisk包。 我们以之前使用加权最近邻分析（WNN）方法分析过的人类BMNC的CITE-seq参考集作为比对标准。 query data InstallData('hcabm40k') hcabm40k <- LoadData(ds = "hcabm40k") 参考数据集构建了一个加权最近邻（WNN）图，该图体现了在本次CITE-seq
39110编辑于 2024-05-17
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