- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信菜鸟团
单细胞+bulkRNA分析前列腺癌中巨噬细胞相关基因
通过bulkRNA-seq分析，使用WGCNA构建了巨噬细胞的共表达网络来识别巨噬细胞相关基因。然后鉴定出具有完全不同的预后、临床病理特征、免疫微环境和免疫治疗反应的巨噬细胞相关分子亚型。 文献内容 1.数据来源 这项研究共纳入了10个前列腺癌(PCa)队列，包括一个scRNA-seq队列（GSE141445）和9个bulkRNA-seq队列。
73110编辑于 2024-04-30 - 来自专栏单细胞天地
单细胞分析十八般武艺11：xCell
单细胞分析十八般武艺8：Garnett 单细胞分析十八般武艺9：DoubletFinder 单细胞分析十八般武艺10：NMF xCell简介 xCell是开发SingleR包的团队2017年推出的一款推断bulkRNA xCell使用须知 使用xCell分析的bulkRNA数据类型可以是RNA-seq测序数据，也可以是表达芯片数据，但不要把两种数据混合在一起分析。 xCell') xCell测试 library(xCell) ## 加载测试数据 sdy <- readRDS("sdy420.rds") # sdy是下载的示例数据，有104个样本的表达谱芯片的bulkRNA 虽然单细胞研究热潮已经持续了几年，但是高昂的成本依然让大家难以负担；因此使用少量样本做scRNA-seq得出研究结论，然后用大量bulkRNA样本进行验证的策略被越来越多的人使用。 为了更好地将单细胞数据与bulkRNA数据联系起来，往往需要对bulkRNA数据进行去卷积操作，近年来很多优秀的去卷积工具被开发出来，我会在此专题中陆续介绍几款常用的方法。
7K72发布于 2021-05-18 滴滴代跑大基因组/转录组分析—数信院
❝ 大基因组的大样本重测序数据量动辄几十G上百G，本地电脑CPU、内存和硬盘空间根本吃不消； bulkRNA分析卡在质控、定量环节，反复崩溃重开； 想做bulkWGCNA构建共表达网络，却因内存不足直接卡死 分析流程 输入数据：bulkRNA原始fastq数据； 核心流程：数据质控→序列比对→基因表达定量→差异表达分析； 呈现不同实验分组间的基因表达差异，助力快速锁定核心功能基因 <基因定量和差异基因统计> 流程 1.5元/G bulkRNA-seq原始fastq数据、基因组文件 数据质控、序列比对、基因表达定量、差异表达分析 bulkWGCNA流程 15元/样 表达量矩阵、分组信息或表型信息 表达矩阵预处理 、共表达网络构建、模块划分、模块-表型关联分析、核心hub基因筛选及可视化 bulkRNA+bulkWGCNA组合拳 45元/样 bulkRNA-seq原始fastq数据、基因组文件、分组信息或表型信息 涵盖bulkRNA pipeline全流程+bulkWGCNA pipeline全流程 科研时间宝贵，拒绝算力内耗！
10710编辑于 2026-03-12- 来自专栏R语言可视化
可视化—转录组箱线图美化
可视化—转录组箱线图美化以前画的箱线图比较基础，最近看到一篇关于单细胞箱线图美化的帖子，正好今天在做bulkRNA的分析，就照个这篇帖子的代码，重写了一份适合bulkRNA的箱线图美化的代码。 参考帖子：https://mp.weixin.qq.com/s/yFJvTdQ4UUJhot3vvMjfiA美化效果：重写适用于bulkRNA的绘图代码：主要需要传人3个参数表达矩阵exp：count矩阵需要标准化
30110编辑于 2025-08-14 - 来自专栏分析工具
InstaPrism是否能平替BayesPrism(贝叶斯棱镜)？
sc.dat)#[1] 5042 20124dim(bk.dat)#[1] 424 60533sc.dat: 5042个细胞和20124个基因的单细胞数据bk.dat：424个样本和60533个基因的bulkRNA devtools")devtools::install_github("humengying0907/InstaPrism")library(InstaPrism)2、数据处理 开发者建议使用TPM或者count的bulkRNA cell.state.labels = cell_meta$state_type, # 细胞状态 ) head(a_ref)[1:3,1:3]# bulkRNA # 行为基因，列为细胞名/样本名# 运行函数start_time <- Sys.time() # 记录初始时间deconv_res <- InstaPrism(bulk_Expr = exp, # bulkRNA
38600编辑于 2024-07-18 - 来自专栏生信技能树
bulk RNA-seq反卷积新包：granulator，来看看！
这里将展示如何使用granulator将外周血单个核细胞的 bulkRNA - seq数据解卷积为各个细胞组分，使用的参考谱来自公共数据库，以及如何评估获得的预测结果的质量。 1.1 PBMCs BulkRNA-seq 用于示例的 pbmcs bulkRNA-seq 数据保存在 bulkRNAseq_ABIS 对象中： # print TPM values in bulk RNA-seq groundTruth_ABIS[1:5, 1:5] 2.反卷积分析流程 granulator工作流程包括四个步骤： 参考谱 Reference profiles：解卷积的参考谱通常是由分离细胞类型产生的bulkRNA-seq 进行差异表达分析或通过scRNA-seq鉴定的细胞类型亚群DEG生成的； 解卷积 Deconvolution：然后使用一个或多个参考谱和解卷积方法对异质性样本的bulkRNA-seq数据进行解卷积； 基准测试 测量的比例通常是从流式细胞分选或scRNA-seq数据生成的； 相关性 Correlation：经过基准测试的参考谱可用于解卷积个体细胞类型丰度未知的bulkRNA-seq数据。
81610编辑于 2025-06-29 - 来自专栏单细胞
Scissor算法-从含有表型的bulkRNA数据中提取信息进而鉴别单细胞亚群
library(seurat)scRNA <- readRDS("scRNA_tumor.rds") #这里采用了自己的处理的单细胞数据load("step1output.Rdata") #这里也是自己处理的bulkRNA cell is: 17.691%"#[1] "|**************************************************|"Scissor算法首先给出不同比例细胞下单细胞和bulkRNA
1.2K10编辑于 2024-07-09 - 来自专栏单细胞
BayesPrism(贝叶斯棱镜法)可提取单细胞数据去卷积后将信息映射至bulkRNA数据
贝叶斯棱镜法作为一种工具可以根据scRNA数据(作为先验模型)去推断bulkRNA数据中肿瘤微环境组成(不同免疫细胞组分/不同细胞群)和基因表达情况。 开发者展示的图片就很形象了，左边图展示了把标注了不同细胞类型的单细胞数据作为先验信息(prior info)的基因信息和bulkRNA测序数据输入进贝叶斯棱镜算法，右图就是通过了棱镜算法之后慢慢地把bulkRNA 那么再通俗的来说，贝叶斯棱镜法就是将单细胞数据中的不同细胞亚群信息提取出来，并按照提取出来的信息将bulkRNA数据的每一个样本也分成不同细胞亚群(不够专业但方便理解)。 这跟之前写的Scissor算法有异曲同工之妙，一种是把bulkRNA数据的表型信息映射到单细胞数据上去，贝叶斯棱镜法是把单细胞数据的表型信息映射到bulkRNA数据上(不够专业但方便理解)。 此外，bulkRNA数据需采用count数据。若count数据不可用时，TPM，RPM，RPKM，FPKM等也是可接受的，但不要进行log转换。
1K00编辑于 2024-07-15 - 来自专栏叶子的数据科技专栏
bam 转 wig 并批量处理的方法
其中，conda activate bulkrna需要设置为含samtools的环境名，Augustus/bin/bam2wig要设置为bam2wig的绝对路径。1.get_raw_data.sh#! samplenames.txtsamplefile=$SHELL_FOLDER"/samplenames.txt"eval "$(conda shell.bash hook)"conda activate bulkrna
57110编辑于 2024-03-17 - 来自专栏单细胞
单细胞BisqueRNA和BayesPrism去卷积分析工具简单比较
mp.weixin.qq.com/s/3dZQxDdY6M1WwMMcus5Gkg笔者也曾经写过一个推文简单的介绍过，有兴趣的朋友可以点进去瞧一瞧：BayesPrism(贝叶斯棱镜法)可提取单细胞数据去卷积后将信息映射至bulkRNA register(MulticoreParam(workers = 4, progressbar = TRUE)) #导入单细胞数据scRNA = qread('sc_dataset.qs') #导入bulkRNA workers = 4, progressbar = TRUE)) #导入单细胞数据sub_scRNA = qread('sub_scRNA.qs') # 这里就跟上面Bisque法是相同数据了#导入bulkRNA
77510编辑于 2024-09-20 - 来自专栏单细胞
单细胞实战之Scissor和BayesPrism映射——入门到进阶(初级篇4）
因此如何将大量的含有临床信息/表型的bulkRNA测序数据和单细胞数据构成联系，这也是算法开发者们所重点关注的方向之一。 目前关于映射的工具有很多，从bulkRNA到单细胞上我们常用Scissor(“剪刀”法)，从单细胞上映射到bulk层面最常用的就是BayesPrism(贝叶斯棱镜法)了，这次内容我们就来学习一下Scissor 2.BayesPrism那么从单细胞数据映射到bulkRN数据我们通常采用的是BayesPrism，其作为一种工具可以根据scRNA数据(作为先验模型)去推断bulkRNA数据中肿瘤微环境组成(不同免疫细胞组分 开发者展示的图片就很形象了，左边图展示了把标注了不同细胞类型的单细胞数据作为先验信息(prior info)的基因信息和bulkRNA测序数据输入进贝叶斯棱镜算法，右图就是通过了棱镜算法之后把bulkRNA 接下来，我们检查不同类型基因(scRNA和bulkRNA)的表达一致性。
94200编辑于 2025-02-15 - 来自专栏单细胞天地
单细胞RNA-seq分析小鼠肺动脉高压内皮细胞
基于SCrna-seq和BulkRNA-seq两种分析得出抗原加工和呈递该通路中在肺高压造模小鼠的血管相关亚群细胞的特异性。 PAH在大鼠和人PAH中是否具有相同作用 为了评估数据集是否在人类PAH中具有相同作用，根据BulkRNA-seq从PAH鉴定出四个基因：（ Aqp1 ， Cav1 ， Bmpr2 和 Eng ）。
1K20编辑于 2023-02-10 - 来自专栏转录组
Scissor工具常见报错及解决
既往流程：Scissor算法-从含有表型的bulkRNA数据中提取信息去鉴别单细胞亚群 https://mp.weixin.qq.com/s/yUaeJKpuF1NzaD0fnhhUuQ 在Seurat
28510编辑于 2025-09-21 - 来自专栏生信文章复现
文章复现—bulkRNA转录组结合机器学习等进行相关疾病研究01—多数据集去除批次效应后联合分析以及火山图标准绘制
专题1—文章复现—bulkRNA转录组结合机器学习等进行相关疾病研究01—多数据集去除批次效应后联合分析以及火山图标准绘制今天给大家复现一篇bulkRNA转录组结合机器学习等进行相关疾病研究的文章《Identification
72921编辑于 2024-10-25 - 来自专栏生信技能树
线粒体基因缺失之谜
single-cell and bulk RNA sequencing》中，我们看到了完全不一样的诡异描述，并且这个图 A 中还出现了跟学徒分析此数据得不到的线粒体基因表达信息： 此文献详细解读版本：《单细胞+bulkRNA
40100编辑于 2025-01-14 - 来自专栏生信技能树
TCGA数据库| 如何根据单个基因的表达对样本分组绘制KM生存曲线？
5期啦，直播回放集合：https://www.bilibili.com/video/BV1eEMJznEog 本次讲解案例为高分文献肺癌耐药关键gene筛选经典思路： 01期数据集GSE231938-bulkRNA-Seq
81210编辑于 2025-06-30 - 来自专栏生信技能树
小鼠免疫微环境分析方法调研
被引次数：10次，没有自引 7.CPM(CellPopulation Mapping) 原理：根据反卷积的方法对bulkRNA-seq进行细胞类型的区分，包括对细胞状态的区分(例如：增殖，凋亡 ，分化等) 主要分为两步：利用反卷积方法确定bulkRNA-seq中不同细胞的比例;参考数据过大(单细胞的数量多)会导致反卷积的精确性下降，参考数据中细胞状态不同的细胞非均一分布。
2.3K21发布于 2021-11-23 - 来自专栏生信技能树
每个样品五六万个细胞也没有问题吗
accession GSE235093，但是可以看到其实是3个不同的子集： GSE235090 [scRNA_tissue] GSE235091 [scRNA_blood] GSE235092 [bulkRNA-seq
19810编辑于 2024-11-21 - 来自专栏单细胞
单细胞METAFlux分析学习和整理
qread("sc_dataset.qs") # 单细胞load("consensus.Rdata") # bulk数据(TCGA-HNSC)#load("scRNA.Rdata")2.bulk数据分析# bulkRNA
70510编辑于 2024-10-13 - 来自专栏生信技能树
影响癌症进化的因素【综述】（癌细胞可塑性）
可塑性重编程涉及几种转录因子 (TF)（最著名的是 Snail、Zeb 和 Twist）的协调作用，它们的激活是协调的，不一定是同时的，相同的可塑性表型可以通过「异质转录和表观遗传修饰」来实现 应用bulkRNA-seq
62140编辑于 2022-12-16
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