- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信菜鸟团
Seurat Weekly NO.06 || Scanpy2Seurat
但是这样的转化总有需求，于是，Seurat团队开发了SeuratDisk包，希望满足数据在Seurat和Scanpy之间快速搬家的需求。 and https://mojaveazure.github.io/seurat-disk/index.html 显然，作者这是在提示我们安装新的R包：seurat-disk，于是我们挺听话地去安装了 reticulate::py_config() Sys.which('python') # 该python 下要安装了anndata # usethis::edit_r_environ() filesmy2 RNA (XXXX features, 0 variable features) 1 dimensional reduction calculated: umap library(ggplot2) Seurat Weekly NO.2 || 我该如何取子集？
3K41发布于 2021-01-18 - 来自专栏单细胞天地
Seurat2和Seurat3共存的方法
比如说Seurat，这个单细胞分析最常用的R包，它的2.x版本和3.x版本的变化就是翻天覆地。 下面就是瞎折腾环节， 我要将Seurat的2.3.4版本单独搞出一个R包，Seurat2，这样子就可以同时加载这两个R包。 .tar.gz cd Seurat 删除MD5文件，因为它会做文件检验 rm MD5 修改里面所有的Seurat替换成Seurat2, seurat替换成seurat2 find . /seurat非代码信息中的seurat替换成seurat2，不过这并不影响实际函数的使用。 将R/seurat.R重名为R/seurat2.R mv R/seurat.R R/seurat2.R 之后将修改后的文件进行打包 就能用install.packages("Seurat2.tar.gz
1.1K40发布于 2020-03-30 - 来自专栏单细胞
Seurat包学习：如何查看R包函数源代码
我们很多时候都很好奇作者的r包是如何写出来的，手痒的时候就想学习一下源码，顺便改一 问题来源 为什么要写今天这个推文呢？ 这里可能用到长数据和宽数据转换的技巧：ggplot2画图精髓——宽数据转为长数据 或者你可以直接看我之前另外一种画单细胞热图的方法：20万单细胞的热图要这么画吗？ 但是我发现环境栏中的p和通常的p好像不太一样（就是感觉 为什么我有这个感觉呢，于是我自己画了一下热图 结果发现，我的p2和seurat的p在环境栏中确实不一样 于是就有了今天的故事，我就很想知道这究竟是什么原因 我们接下来使用r，打开两个文件看一下看一下 file.edit('~/gzh/seurat_codes_learning/seurat-release-5.0.2/R/mixscape.R') file.edit ('~/gzh/seurat_codes_learning/seurat-release-5.0.2/R/visualization.R') 最后就顺利找到了源代码，可以看到DoHeatmap的画图功能其实来自于另外一个函数
63700编辑于 2024-02-23 - 来自专栏单细胞天地
Seurat2与Seurat3兼容与切换
在单细胞数据分析时，常常用到Seurat(https://satijalab.org/seurat/install.html)这个R语言包。 真正困惑我们的是2x 与3x 之间差别： 函数名称变了 seurat对象数据结构变了 整合分析的算法变了 我们知道他是在往好的方向来变，可是Seurat2依然有他的一些优点，简单对比一下： 已经有文献引用 Seurat 3的 findmarker 这个功能可以一次计算10万以上的细胞，而Seurat 2就不行 那么，折衷的方案就是同时安装 Seurat 2和 Seurat 3的包，通过数据格式整理把2x和 安装后： > packageVersion("Seurat") [1] ‘3.1.0’ 安装2x 可以参照官网给的示例来安装，因为3x与2x的名称一样都叫Seurat就不能装在同一个library路径下 如果已经用2x做过一段时间数据分析了，那就不要轻易换了。 最好是两个版本的都能用的像我这么溜。 最后的最后 把这个R包的说明文档打印出来一个一个对照学习。祝大家学习愉快。
2.2K10发布于 2020-03-30 - 来自专栏单细胞天地
用Seurat包分析文章数据（二）
序 第三单元第十讲：使用Seurat包 载入数据，创建对象 rm(list = ls()) Sys.setenv(R_MAX_NUM_DLLS=999) ## 首先载入文章的数据 load(file= TRUE 17429 7153 # 存在7000多个基因在任何一个细胞中都没表达 右图显示了：大部分细胞都包含2000个以上的有表达的基因 开始使用CreateSeuratObject构建Seurat 对象： 因为Seurat存在两个版本，并且应用都比较多，所以这里会列出两种版本的代码 # 使用Seurat V3版本（以下简写"V3"）(版本3有大量的参数从之前的genes改成了features) sce min.genes = 2000, project = "sce") > sce An object of class Seurat 预处理之归一化 关于Seurat归一化原理，可以看这一篇：https://www.biorxiv.org/content/biorxiv/early/2019/03/18/576827.full.pdf
4.5K62发布于 2020-03-30 - 来自专栏生信菜鸟团
单细胞转录组整合分析——seurat包
Seurat是一个分析转录组数据的R包，我们之前的推文对其进行过描述： Seurat 学习笔记 该包于去年新推出了整合功能。 步骤如下： 数据预处理 作者把单细胞数据放在了SeuratData等一系列包中，如果你的网速不行，可以直接到网页下载数据。 library(Seurat) #devtools::install_github('satijalab/seurat-data') library(SeuratData) #InstallData , "fluidigmc1", "smartseq2")] 对数据先进行标准化，并识别variable feature。 reference.list <- pancreas.list[c("celseq", "celseq2", "smartseq2")] pancreas.anchors <- FindIntegrationAnchors
2.3K30发布于 2020-03-30 - 来自专栏生物信息学、python、R、linux
用ggplot来改善Seurat包的画图
Seurat是分析单细胞数据一个非常好用的包，几句代码就可以出图，如feature plot,violin plot,heatmap等，但是图片有些地方需要改善的地方，默认的调整参数没有提供，好在Seurat 默认的feature plot是坐标轴形式 FeaturePlot(seurat.object,features = c("Thy1")) ? image.png 改成加框： FeaturePlot(seurat.object,features = c("Thy1"))+annotate(geom = 'segment', y = Inf, yend image.png 去掉框顺便改个颜色 FeaturePlot(object = seurat.object, features = c('Thy1'),cols = c("lightgrey" ,"#
4.4K20发布于 2020-04-01 - 来自专栏生物信息学、python、R、linux
seurat包分析多组对比单细胞数据
library(Seurat) #import data #C_data T_data 为要分析的data.frame Control<-CreateSeuratObject(counts =C_data FindClusters(T_C, resolution = 0.5) # Visualization p1 <- DimPlot(T_C, reduction = "umap", group.by = "stim") p2 <- DimPlot(T_C, reduction = "umap", label = TRUE) plot_grid(p1, p2)
1.6K21发布于 2020-04-01 - 来自专栏数据科学（冷冻工厂）
单细胞Seurat - 数据处理 (2)
本系列持续更新Seurat单细胞分析教程，欢迎关注！ 标准化 从数据集中删除不需要的细胞后，下一步是数据标准化。 在 Seurat v5 中，标准化值存储在 pbmc[["RNA"]]$data 中。 默认情况下Seurat每个数据集返回 2,000 个特征。这些将用于下游分析，例如 PCA。 对于第一个主成分，Seurat 输出具有最大正负载荷的基因列表，代表在数据集中的单细胞之间表现出相关（或反相关）的基因模块。 pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc)) Seurat 提供了几种有用的方法来可视化定义 PCA 的单元格和特征
76410编辑于 2024-02-22 - 来自专栏单细胞天地
Seurat包基本分析实战—文献图表复现
Seurat对象，以及添加分组信息、质控； （4）归一化→降维→聚类； （5）组图 三、具体实现 1、下载数据 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi 4、构建Seurat对象，以及质控、可视化 group=data.frame(group=new.b[index,3], row.names = colnames(a_filt )) library("Seurat") scRNA = CreateSeuratObject(counts=a_filt, meta.data <- DoHeatmap(scRNA, features = top20, group.by = "<em>seurat</em>_clusters") 此处的结果也是与原文差别比较大的地方。 但是原文使用的limma包识别，去重后仅有96个gene，而我自己尝试的或还有227个，相差比较大。
2K44发布于 2020-10-19 单细胞分析一 下载数据，加载Seurat 包
二、用R语言的Seurat包读入数据，并创建Seurat对象 参考教程：单细胞实战(1)数据下载-数据读取-seurat对象创建-腾讯云开发者社区-腾讯云 (tencent.com) 重点介绍我加载Seurat ‘Matrix’ 1.5-3，但需要的是>= 1.6.1 表明 Seurat 包需要比当前安装的 Matrix 包版本更高的版本 尝试先卸载再重新安装： remove.packages("Matrix" ) install.packages("Matrix") 安装完成后，再次尝试加载 Seurat 包： library(Seurat) 仍然报错？？？ 移除旧版本的包： remove.packages('Matrix') remove.packages('SeuratObject') remove.packages('Seurat') 确保包已被卸载 ") # 应返回‘1.6-1’ 最后安装 Seurat 包 install.packages("Seurat") library(Seurat) 注如果安装 Seurat 包还有问题 手动下载：https
1.8K00编辑于 2024-06-24- 来自专栏数据科学（冷冻工厂）
Signac R｜如何合并多个 Seurat 对象 (2)
引言 在本文中演示了如何合并包含单细胞染色质数据的多个 Seurat 对象。 PBMC 数据集： 500-cell PBMC 1k-cell PBMC 5k-cell PBMC 10k-cell PBMC 构建数据对象 接下来，将利用已经量化的矩阵数据，针对每个数据集构建一个 Seurat FindTopFeatures(combined, min.cutoff = 20) combined <- RunSVD(combined) combined <- RunUMAP(combined, dims = 2: FindTopFeatures(combined, min.cutoff = 20) combined <- RunSVD(combined) combined <- RunUMAP(combined, dims = 2:
82910编辑于 2024-12-30 - 来自专栏生信技能树
单细胞转录组3大R包之Seurat
其GitHub地址是：http://satijalab.org/seurat/ 给初学者提供了一个2,700 PBMC scRNA-seq dataset from 10X genomics的数据实战指导 /seurat/seurat_files_nbt.zip 同时还提供两个公共数据的实战演练教程： https://www.dropbox.com/s/4d00eyd84qscyd2/IntegratedAnalysis_Examples.zip 的用法 这里的测试数据是经由Illumina NextSeq 500测到的2,700 single cells 表达矩阵，下载地址； 根据表达矩阵构建seurat对象 需要准备好3个输入文件 library (Seurat) library(dplyr) library(Matrix) ## https://s3-us-west-2.amazonaws.com/10x.files/samples/cell/ 后面还有一个10X的单细胞实战，用的就是这个包，敬请期待。
23.7K222发布于 2018-03-09 AI模型知道Seurat包AggregateExpressionAverageExpression的这个小坑吗？
以前还真没有注意，主要是没有遇到上，使用Seurat包AggregateExpression/AverageExpression函数计算基因平均表达量的时候，发现celltype如果有一些特殊字符会发生改变 , "DSCAM" , "NRXN3" , "GABBR2" , "ROBO2"), assays = 'RNA') exp = as.data.frame "LAMPs" 其实一开始还真想不到是AggregateExpression/AverageExpression的问题，然后查询之后才知道（https://github.com/satijalab/seurat /issues/7893），但是在最新的seurat中会出现warning，提示您这个信息，如果之前的版本不提示那真的是抓耳挠腮！ , "GABBR2" , "ROBO2"), group.by = 'celltype',layer = 'data',assays = 'RNA')
12210编辑于 2026-04-02- 来自专栏生信菜鸟团
如果你想切换共享服务器的R包Seurat5到Seurat4
目前已经给大多数共享服务器的公共R包库中的seurat4升级到了seurat5。 2解决办法 我们先登录网页版Rstudio 用.libPaths()函数查看一下我们目前载入R包的路径 最初Rb包路径 其中第一个是自己家目录下的（拥有读写权限），第二三个是服务器公共的，普通用户是没有 而我们日常调用的Seurat5就装在第二个路径下，因此我们可以把.libPaths() 中的2的路径删掉，不使用服务器提供的公共R包库/home/data/refdir/Rlib 。 删掉 /home/data/refdir/Rlib 路径就不会载入服务器上公用的 Seurat5，但是这样设置之后，一堆包也不会载进来，所以下面需要自己配置 Seurat4和其依赖的环境 注意，修改路径这里我把自己的默认路径 这时候在R中敲.libPaths()还是原先的R包路径，点击session Restar R重启R 然后就是我们更改后的.libPaths了 我们下载的包会默认装在第一个路径下面， 我们先下载 Seurat5
1K10编辑于 2024-01-25 - 来自专栏生信菜鸟团
Seurat Weekly NO.08 || Seurat 交互系统
思考：如何查一个R包中哪些函数有某一参数？ 先载入R包和数据，并执行简单的降维。 inputId = "ydim", label = "Y dimension", choices = dims.reduc, selected = as.character(x = dims[2] ydim", label = "Y dimension", choices = dims.reduc, selected = as.character(x = dims[2] 除了直接在线分析也可以在自己的R中安装azimuth 包，以方便本地使用。 if (! 之后用Shiny包装它并不是复杂，如Azimuth的源码，shiny完成的是对Seurat包的调用程序。
1.6K20发布于 2021-02-03 - 来自专栏文献分享及代码学习
单细胞专栏-R包安装之Seurat的爱恨情仇
我在4月的时候开心的拿到我下游的R语言的数据，准备认真的做几次的复现，然后直接走下面大家的单细胞分析流程，但是我4月初卡在了装包上，通过一个一个手动的添加所需要的依赖库还有缺少的R包，终于历时了2-3d 装好了，但是我4月30号手欠的听从了R的指示，说要安装limma去做后面的亚群差异分析的时候，我的服务器的后台装东西的时候又把我的Seurat挤掉了，我又开始在服务器当中不断去添加依赖库的过程。 首先是R语言版本的升级 我在尝试了对R4.0版本的安装Seurat后，发现我的编译路径一直在报错，因为我们的服务器目前是有两个R语言的版本，一个低版本的，一个是4.0以上的，所以有的时候如果没有将路径给全 q-sign-algorithm=sha1&q-ak=AKID2uZ1FGBdx1pNgjE3KK4YliPpzyjLZvug&q-sign-time=1651672485;1651679685&q-key-time -fPIC CXX14=/opt/rh/devtoolset-9/root/usr/bin/g++ -std=c++14 -fPIC 接下来就是跳转到R下面，进行install.packages("Seurat
3.2K00编辑于 2022-05-04 - 来自专栏R语言及实用科研软件
🤩 SeuratExtend | 基于Seurat的强大拓展包！~（一）（基础可视化）
写在前面 单细胞分析的小伙伴们一定对 Seurat 不陌生，它几乎是所有scRNA-seq入门必备的“瑞士军刀”。 今天要介绍的是一款让你在 Seurat 世界里“如虎添翼”的神器—— SeuratExtend：基于Seurat的强大拓展包！ 它不仅兼容原生Seurat工作流，还提供了大量一行命令即可实现的高质量可视化、数据统计与特征分析功能。 用到的包 rm(list = ls()) library(Seurat) library(SeuratExtend) 示例数据 pbmc 降维图 基本用法 DimPlot2(pbmc) 可视化不同变量 DimPlot2(pbmc, features = c("cluster", "orig.ident", "CD14", "CD3D"), theme = NoAxes()) DimPlot2(pbmc
28610编辑于 2025-11-13 - 来自专栏生信技能树
终于有人对Seurat包丑到哭的可视化出手了：年度爱用包！
以前我们做了一个Seurat包官方的可视化函数投票：可视化单细胞亚群的标记基因的5个方法，下面的5个基础函数相信大家都是已经烂熟于心了： VlnPlot(pbmc, features = c("MS4A1 标准流程 端到端的单细胞管道SCP-快速开始 SCP—为单细胞分析设计的端到端解决方案 端到端的单细胞管道SCP-安装 接下来分享另外一个本身珍藏已久的年度爱用包（scillus）给大家，此包的 官方完整名字是 folder，这取决于输入数据的格式，构造方式如下： # 注意 此包目前仅支持Seurat v4版本的绘图，v5会报错 library(Seurat, lib.loc = "/nas2/zhangj/biosoft (metadata = m) 3、功能二：单细胞结果可视化 # 注意 此包目前仅支持Seurat v4版本的绘图，v5会报错 # 注意2：单独提供Seurat也可以绘图！！ 作者将其打包变成了一个超级好的包！
1.3K10编辑于 2024-12-09 - 来自专栏文献分享及代码学习
Seurat软件学习2-scrna数据整合分析
Seurat v4包括一套方法来匹配（或 "对齐"）跨数据集的共享细胞群。 整合的目标下面的教程旨在让你了解使用Seurat整合程序可以对复杂细胞类型进行的各种比较分析。在这里，我们解决几个关键问题。 1.为下游分析创建一个 "整合 "的数据检测方法2.识别两个数据集中都有的细胞类型3.获得在对照组和刺激组细胞中都保守的细胞类型标志物4.比较数据集以找到细胞类型对刺激的具体反应设置Seurat对象为方便起见 ，我们通过SeuratData软件包处理这一数据集。 这个函数对每个数据集/组进行差异基因表达测试，并使用MetaDE R软件包中的元分析方法结合p值。例如，我们可以计算出第6组（NK细胞）中不论刺激条件如何，都是保守标记的基因。
1.6K22编辑于 2022-09-30
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