- 综合排序
- 最热优先
- 最新优先
- 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？ 起因是因为我想使用seurat自带函数画热图，奈何这个图不是那么好看 DoHeatmap(pbmc,features = features,draw.lines = FALSE ) 于是，我想自己手动改一下这个热图 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 那为什么两个p不一样呢 主要还是因为两个数据格式不一样嘛，一个是seurat产生的对象，另外一个是pheatmap产生的对象。如果感兴趣，可以去看看pheatmap的源码是什么，然后比较一下。
63700编辑于 2024-02-23 - 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 FindIntegrationAnchors(object.list = reference.list, dims = 1:30) 然后我们将这些锚点传递给IntegrateData函数，该函数返回一个Seurat pancreas.integrated <- IntegrateData(anchorset = pancreas.anchors, dims = 1:30) 现在我们得到了seurat对象——一个整合后的表达矩阵
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
1.6K21发布于 2020-04-01 - 来自专栏单细胞天地
Seurat包基本分析实战—文献图表复现
GSE84465 目的是复现文献的第一幅总图 文献 二、大致思路 （1）根据GEO号下载表达矩阵，以及meta信息； （2）根据meta信息筛选tumor cell 的表达矩阵； （3）根据表达矩阵构建Seurat 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 (unique(sort(top20))) #这里选取的是wilcox方法挑选的差异基因 p3_2 <- DoHeatmap(scRNA, features = top20, group.by = "<em>seurat</em>_clusters 但是原文使用的limma<em>包</em>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 - 来自专栏刷题笔记
4-11 Isomorphic (10 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102699401 4-11 Isomorphic (10 分) Two trees, T1
53000发布于 2019-11-07 - 来自专栏coding for love
4-11 shimming 的作用
使用 ProvidePlugin 后，能够在通过 webpack 编译的每个模块中，通过访问一个变量来获取到 package 包。 image.png 本质上，我们所做的，就是告诉 webpack，如果你遇到了至少一处用到 lodash 变量的模块实例，那请你将 lodash package 包引入进来，并将其提供给需要用到它的模块 image.png 3. polyfills 除了处理那些遗留的 package 包，shimming 的另一个作用就是处理 polyfills。有很多方法来载入 polyfills。
1K20发布于 2020-03-23 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- 来自专栏生信技能树
单细胞转录组3大R包之Seurat
/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 pbmc3k/pbmc3k_filtered_gene_bc_matrices.tar.gz ## 下载整个压缩包解压即可重现整个流程 # Load the PBMC dataset list.files 包里面被封装成了函数：FindMarkers，有一系列参数可以选择，然后又4种找差异基因的算法： ROC test (“roc”) t-test (“t”) LRT test based on zero-inflated - FindMarkers(object = pbmc, ident.1 = 0, thresh.use = 0.25, test.use = "roc", only.pos = TRUE) 同时，该包提供了一系列可视化方法来检查差异分析的结果的可靠性 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 "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！
12410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
本期Seurat weekly 就和大家探索一下Seurat 的交互系统。 在Seurat中交互的参数一般是interactive，我们需要找到哪些函数有这个参数。 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。 开发比较小的，或作为辅助功能的Shiny，miniUI是比较实用的，而且还支持多种展示形式，如下： 除了内置的交互形式之外，也有热心的Seurat开发了在线版的Seurat：SeuratV3Wizard 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 debug(LoadH5Seurat) cellxgene <- LoadH5Seurat('some.processed.gzip.h5seurat', assays ="RNA") # 一波回车 debug( as.Seurat) #因为LoadH5Seurat里面用了这个函数，所以在LoadH5Seurat的debug环境种再debug as.Seurat Seurat Weekly 专栏总结（送圣诞礼物） Seurat Weekly NO.0 || 开刊词 Seurat Weekly NO.1 || 到底分多少个群是合适的？！
3K41发布于 2021-01-18 - 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
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 -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 接下来开始对每个缺少的包进行安装。 首先是stringi包 // 输入最传统的install.packages的方法 install.packages("stringi") [图片.png] 相比于昨天也是成功的装了stringi包，如果是后台缺少相关的环境条件
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
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 - 来自专栏生信技能树
Seurat包里面的Read10X_h5函数介绍
只好求助jimmy老师了，在Jimmy的指导下，参阅了下面的教程完成了单个H5文件读入和转化为Seurat对象合并然后作图的方法： https://nbisweden.github.io/workshop-scRNAseq /labs/compiled/seurat/seurat_01_qc.html 确实很简单，我马上就可以开始做起来了。 rm(list=ls()) options(stringsAsFactors = F) library(Seurat) # H5文件读入和转化为Seurat对象 # https://nbisweden.github.io /workshop-scRNAseq/labs/compiled/seurat/seurat_01_qc.html setwd('GSE146981_RAW/') fs=list.files(pattern ) # H5文件读入和转化为Seurat对象 # https://nbisweden.github.io/workshop-scRNAseq/labs/compiled/seurat/seurat_01
8K44发布于 2021-02-03 - 来自专栏生信情报站
Seurat 包图文详解 | 单细胞转录组(scRNA-seq)分析02
文章目录 一、创建 Seurat 对象 二、标准预处理流程 1.基因质控指标来筛选细胞 2.归一化数据 3.识别高异质性特征 4.缩放数据 5.线性维度约化 PCA VizDimLoadings 方法一：JackStrawPlot 方法二：ElbowPlot 6.聚类细胞 7.非线性维度约化（UMAP/TSNE） 8.发现差异表达特征（cluster bioers） 9.识别细胞类型 一、创建 Seurat amazonaws.com/10x.files/samples/cell/pbmc3k/pbmc3k_filtered_gene_bc_matrices.tar.gz library(dplyr) library(Seurat /data/pbmc3k/filtered_gene_bc_matrices/hg19/") # Initialize the Seurat object with the raw (non-normalized 5.确定数据集的维度 为了克服在单细胞数据中在单个特征中的技术噪音，Seurat 聚类细胞是基于PCA分数的。每个PC代表着一个‘元特征’（带有跨相关特征集的信息）。
3.8K20发布于 2021-01-13 - 来自专栏单细胞天地
Seurat标准流程
前言 前面介绍了自己利用cellranger count的结果进行seurat分析，但是整合数据方面做得还是不如原作者优秀，虽然我们不知道他们是如何处理的，但还是可以继续向下进行，而且这一次将会使用他们合并好的数据 # 作者利用的是Seurat V2的ExtractField函数 # for Seurat V2 timePoints <- sapply(colnames(dataPBMC), 按照常理，10X的数据应该能做到平均表达800个基因 创建Seurat对象 # Seurat V2 PBMC <- CreateSeuratObject(raw.data = dataPBMC, 保存对象 save(PBMC,file = 'patient1.PBMC.output.Rdata') # 结果有1.9G ---- 附加 一个问题：Seurat2、3得到的结果差别大吗？ Seurat V2结果 探究一下Seurat2和3的分群结果 起初我认为这两个版本的差异蛮大的，因为看tsne图明显感觉V2更好一些，导致我得出了错误的结论，认为两个版本的包处理结果千差万别。
3K41发布于 2020-03-30
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