步骤流程1、导入rm(list=ls())library(tidyverse)library(CytoTRACE2) library(Seurat)library(paletteer)library(BiocParallel 提取表达矩阵信息expression_data <- GetAssayData(sub_dat,layer = "counts")# 运行CytoTRACE2cytotrace2_result <- cytotrace2 developmental potential in health and disease with interpretable deep learning. 2024 Mar 21:2024.03.19.5856372、CytoTRACE2
用到的包 rm(list = ls()) library(tidyverse) # devtools::install_github("digitalcytometry/cytotrace2", subdir = "cytotrace2_r") #installing library(CytoTRACE2) library(Seurat) 示例数据 # load rds data <- readRDS( 10x_downsampled.rds") data 提取表达数据 # extract expression data expression_data <- data$expression_data 使用cytotrace2 # running CytoTRACE 2 main function - cytotrace2 - with default parameters cytotrace2_result <- cytotrace2
一 载入R包,数据 1,R包安装 及 解决报错 根据https://github.com/digitalcytometry/cytotrace2? /tarball/HEAD' failed (2)如果出现上述的报错,这时候只要将报错内容的“https://api.github.com/repos/digitalcytometry/cytotrace2 本推文是使用 人 的单细胞对象(sce3)进行cytotrace2分析的示例。 #######输入seurat 对象########### cytotrace2_result_sce <- cytotrace2(sce3, 注1:cytotrace2默认的是小鼠,所以需要指定species = 'human' ;如果是单细胞对象的话需要指定is_seurat = TRUE ;指定seed 方便后续的结果复现。。
上一期推文已经简单说明了CytoTRACE2的分析流程、注意事项和可视化。 CytoTRACE2单细胞分化潜力预测工具学习:https://mp.weixin.qq.com/s/inF9iGy2X9D2CZLzQBtRdw有小伙伴观察到使用CytoTRACE2之后的图形会与原始的 但既然提出了问题,笔者就尝试着去解决一下~步骤流程1、导入rm(list=ls())library(tidyverse)library(CytoTRACE2) library(Seurat)library 提取表达矩阵信息expression_data <- GetAssayData(sub_dat,layer = "counts")# 运行CytoTRACE2cytotrace2_result <- cytotrace2
接下来将回顾学习CytoTRACE2和monocle3两个工具,CytoTRACE2通过预测细胞发育潜能分数和分类,辅助研究者定位发育轨迹的起始点;而monocle3则基于图论算法构建细胞伪时间分化轨迹 Cytotrace2分析流程1.导入rm(list=ls())source('scRNA_scripts/lib.R')source('scRNA_scripts/mycolors.R')library (tidyverse)library(CytoTRACE2) library(Seurat)library(paletteer)library(BiocParallel)register(MulticoreParam group.by = "celltype",label = T)dir.create("./13-monocle")setwd("./13-monocle")2.数据预处理cytotrace2_res <- cytotrace2 Nat Methods. 2017 Oct;14(10):979-982.CytoTRACE2:https://github.com/digitalcytometry/cytotrace2生信技能树:https
scml.get_cell_types_and_embds_for_adata(parallel=False) # for only using CPU, but it is really slow. 1.7 轨迹分析-CytoTrace2 预测细胞发育潜能 对于拟时序分析而言,确定发育的起点是至关重要的,因此我们在OmicVerse中整合了CytoTrace2来预测单细胞数据中每个细胞的分化潜能。
使用CytoTRACE2分析显示,治疗后祖细胞分化潜能显著增强(P<0.001),且肿瘤细胞状态异质性增加(熵值从1.83升至1.96,P<0.001),表明祖细胞通过增加适应性直接响应mIDH抑制。
因此结合既往推文内容:单细胞实战之CytoTRACE2和monocle3——入门到进阶(高级篇2):https://mp.weixin.qq.com/s/KGSoRx3klmliKPVL7ml28Q发现
在高级篇2中回顾了用于拟时序分析的CytoTRACE2和monocle3两个工具。
R包CytoTRACE2被用来通过量化基因多样性来评估分化潜力和细胞状态(27)。