- 综合排序
- 最热优先
- 最新优先
- 来自专栏生物信息学、python、R、linux
scanpy分析单细胞数据
scanpy和seurat是最常用的分析的单细胞的工具，seurat基于R，而scanpy基于python。 linux下用pip安装scanpy pip install scanpy 下载测试数据 mkdir data wget http://cf.10xgenomics.com/samples/cell-exp =sc.read_10x_mtx('data/filtered_gene_bc_matrices/hg19', var_names='gene_symbols', cache=True) #读取单细胞测序文件 sc.pp.regress_out(adata, ['total_counts', 'pct_counts_mt']) sc.pp.scale(adata, max_value=10) PCA主成分分析 使用标准化的数据进行可视化 sc.pl.umap(adata, color=['CST3', 'NKG7', 'PPBP'], use_raw=False) ?
2.4K20发布于 2020-12-21 - 来自专栏R语言数据分析
单细胞数据分析3（单细胞数据自动注释）
使用GSE218208数据为例library(celldex)#使用celldex包里的注释数据#下载到本地library(SingleR)ls("package:celldex")f = ".. file.exists(f)){ ref <- celldex::BlueprintEncodeData() save(ref,file = f)}ref <- get(load(f))#把里面的数据提取出来生成新的数据
67010编辑于 2023-10-15 - 来自专栏数据科学（冷冻工厂）
单细胞分析：数据整合（九）
导读 本文将学习跨条件执行单细胞整合，以识别彼此相似的细胞。 1. 目标 跨条件对齐相同的细胞类型。 2. 想要识别存在于数据集中所有的细胞类型，因此希望观察每个簇中两个样本/条件/模态中的细胞表示。这将使下游的结果更具可解释性（即 DE 分析、配体-受体分析）。 如果细胞按样本、条件、批次、数据集、模态进行聚类，则整合步骤可以极大地改善聚类和下游分析。 具体来说，这种整合方法期望组中至少一个单细胞子集之间存在“对应”或共享的生物状态。整合分析的步骤如下图所示： 应用的不同步骤如下： 典型相关分析 (CCA)： CCA 识别条件/组之间的共享变异源。 执行相互分析，如果两个细胞在两个方向上都是best buddies，那么这些细胞将被标记为anchors，以将两个数据集“锚定”在一起。
1.2K30编辑于 2023-02-27 - 来自专栏生物信息学、python、R、linux
URD包分析单细胞数据
source("https://raw.githubusercontent.com/farrellja/URD/master/URD-Install.R") library(URD) 因为没有找到提供的测试数据集 ，就用之前用seurat分析过的不同时期的心脏单细胞数据跑一边吧。 1.导入数据 library(URD) # Create an URD object, which will filter the data, then normalize and log-transform
2K20发布于 2020-12-29 - 来自专栏生物信息学、python、R、linux
SCmut||分析单细胞数据突变
单细胞RNA测序(scRNA-seq)和DNA测序(scDNA-seq)都可以应用于细胞水平基因组分析。对于突变分析，scDNA-seq似乎更常见。 scRNA-seq通常具有更大的数据量和更好的数据质量。但目前DNA测序中检测突变的方法多种多样，尚不清楚这些方法是否可以用于scRNA-seq数据。 对Bulk RNAseq或scDNA-seq数据开发的突变检测方法不适用于scRNA-seq数据，因为它们会产生过多的假阳性。 他们将SCmut应用于几个scRNA-seq数据集。在scRNA-seq乳腺癌数据集中，SCmut可以识别许多高度可信的细胞水平突变，这些突变在许多细胞中都反复出现，并且在不同样品中保持一致。 在（i）中，发现的细胞水平突变在肿瘤细胞和非肿瘤细胞之间被很好地分开，在（ii）中，突变被同时在两个独立的数据集中发现。
1.2K10发布于 2020-09-03 - 来自专栏天意生信俱乐部
单细胞数据分析 | 单细胞计数矩阵（Seurat)
在使用seurat进行单细胞分析的时候，大多数的教程都是用计数矩阵作为数据输入，但是我发现一些新手朋友对于不同数据库来源(GEO、BD)的数据或者想要去复现、借鉴一个感兴趣的文章中的下机数据时，不知道怎么把数据处理成 Seurat可以读入的计数矩阵，所以本篇文章就详细介绍单细胞数据的上游分析。 10X平台数据 上游分析主要涉及的步骤就两个：比对和质控。我们可以先从10X平台官网了解一些软件和方法。 以下是读取GEO数据的几种常见方式，特别是如何将其导入Seurat进行分析。 1. 总的来说，大家获取数据的方式有两种，根据自己的研究目标、预算以及时间来决定是使用自己的测序数据还是依赖于公共数据库中的数据，无论哪种方式，弄懂上游分析对于下游分析有益无害哦~
85710编辑于 2025-02-18 - 来自专栏生信喵实验柴
利用cellranger分析单细胞数据
背景 当前的单细胞测序主要采用 illumina 测序平台进行测序，一般为双末端测序，测序完成之后首先需要对 illumina 测序数据进行质控过滤，过滤条件与其他分析类似。 单细胞分析流程 单细胞的数据处理主要包括 illumina 数据碱基识别，数据质控过滤，生成 feature-count 矩阵等过程。这些过程都可以使用 cellranger 完成。 4.2 细胞计数质控（cell QC） 细胞计数质控是单细胞数据分析中非常重要的内容。因为 10xgenomics 是采用液滴型的捕获细胞方法。 在单细胞分析中需要将这些多细胞以及空细胞都过滤掉，只对单细胞结果进行分析。那么如何判断是否为单细胞呢？ 一个简单的判断是根据 reads 数据的多少，例如空细胞 reads 条数少，单细胞正好，多细胞最多。
3.4K12编辑于 2022-10-25 - 来自专栏天意生信俱乐部
单细胞数据分析|差异表达分析
在对单细胞数据进行差异表达分析的时候，可以从全细胞和元细胞两个角度去考虑。 基于全细胞目前常见的单细胞转录组计算差异表达基因方法有DESeq2、edgeR、limma、MAST、SCDE (Single Cell Differential Expression)、Seurat 所有步骤旨在优化数据质量、减少噪声并提取重要的基因特征，为后续的分析（如聚类和差异表达分析）做准备。最终，处理后的数据存储在 adata 对象中。 使用SEACells聚合细胞，然后在元细胞水平上，执行差异表达分析。 总结： 本节我们选择元细胞作为分析策略避免生物学噪音和dropout的干扰。
86710编辑于 2025-01-22 - 来自专栏R语言数据分析
单细胞数据分析1
基础知识单细胞数据的应用方向图片单细胞数据的存放位置图片单细胞数据的分析流程图片高变基因：方差最大的2000个基因。marker基因：每个细胞簇中表达显著的基因。 chunk_output_type: console---knitr::opts_chunk$set(echo = TRUE,warning = F,message = F,fig.width = 10)1.数据和 10X的输入数据是固定的三个文件，在工作目录下新建01_data/，把三个文件放进去。 ]@scale.data[30:34,1:3]5.1 线性降维PCApbmc <- RunPCA(pbmc, features = VariableFeatures(pbmc))##只选择了高变化基因分析 dims = 1:2, reduction = "pca")#每个主成分对应基因的热图DimHeatmap(pbmc, dims = 1:15, cells = 500)# 应该选多少个主成分进行后续分析
93920编辑于 2023-10-15 - 来自专栏生物信息学、python、R、linux
cellranger分析单细胞测序数据
一般从公司拿到单细胞测序原始数据是这样的： ? image.png 因此第一步就需要把这些数据按照I1 R1 R2 用zcat追加起来 for i in `ls rawdata/Day1/*gz|cut -d '/' -f3 | cut -d '_' zcat rawdata/Day1/${i}_R2_001.fastq.gz >> mergedata/Day1/Day1_S1_L001_R2_001.fastq done cellranger的数据输入为存储数据的文件夹 #注释文件 --transcriptome=cellranger_rn6 \ --sample=Day1 \ --localcores=10 从cellranger得到表达矩阵就可以导入Seurat分析啦
1.6K30发布于 2020-04-01 - 来自专栏单细胞天地
单细胞GSVA分析该用什么数据？
经常有人问我单细胞GSVA分析应该用Seurat对象中的哪个数据，因为我此前的推文《单细胞转录组高级分析五：GSEA与GSVA分析》用的counts数据，后面有一篇推文《非人物种的GSEA&GSVA分析 小结：scale.data数据并不能加快GSVA的运行时间。 分析结果对比 为了客观地对比不同数据运行GSVA之后的差异，我用pearson相关性热图给大家展示。 **从左上到右下的对角线代表相同细胞用不同数据运行GSVA分析后结果的相关性。**为了节省计算时间，我只取了前100个细胞计算相关性。 小结：GSVA分析使用counts数据和data数据没有差别，但是使用scale.data数据会影响结果。 减少基因数量可行吗？ 写这篇推文时我突发奇想：使用高变基因来做GSVA分析可行吗？ 小结：不能使用高变基因的表达矩阵代替原始表达矩阵做GSVA分析。 交流探讨：如果您阅读此文有所疑惑，或有不同见解，亦或其他单细胞需求，可以点击阅读原文联系。 ?
4.9K21发布于 2021-03-25 - 来自专栏生物信息学、python、R、linux
单细胞数据拟时序分析-destiny
单细胞数据分析常用到建立trajectory和pseudoTime，拟时序分析可以用 Diffusion（ Destiny R package） #Diffusion PseudoTime Analysis image.png detiny的数据输入格式为Biobase包建立的ExpressionSet格式的文件，如果我们的数据是表达矩阵，则数据需要转化成这个格式，如seurat包里面的数据Seurat.object
4.1K20发布于 2020-04-01 - 来自专栏单细胞天地
单细胞分析工具||ShinyCell交互式展示单细胞数据
Ouyang团队开发的单细胞分析工具包，实现基于shiny网页交互式展示单细胞数据；于2021年3月发表于Bioinformatics杂志。 ，包括Seurat， SCE(singlecellexperiment), h5ad, loom；并均提供了相应的示例文件； 如其文档所强调，ShinyCell是一个可视化工具，而不是分析工具；所以提供的单细胞数据需要已经完成基础的上游分析 = readRDS("readySeu_rset.rds") 单细胞数据里需包括 （1）标准化表达矩阵； （2）细胞meta信息； （3）降维信息。 默认情况下会使用全部的meta信息，如需调整一方面可直接修改原来的单细胞数据；另一方面也可以使用ShinyCell包进行部分修改，如下所示。 （四）：降维 单细胞最好的教程（三）：特征基因选择 单细胞最好的教程（二）：归一化 Python 单细胞分析教程（一）：质量控制 单细胞分析工具||COSG鉴定marker基因
2.8K60编辑于 2023-08-31 - 来自专栏生信技能树
单细胞多组学数据分析不会分析
那就不分析啊！！！ ，然后看看随着脂多糖(LPS)处理时间段变化的基因，通路以及细胞亚群，但是单细胞ATAC数据作者给出来的文件应该是不够的，可能是需要去 PRJNA938112 里面下载原始数据后进行处理啦。 scATAC-seq技术原理 单细胞ATAC-seq 同样的，单细胞ATAC-seq也是上下游独立开，走在Linux系统的cellranger-atac软件进行上游分析，然后走R语言里面的下游统计可视化即可 Single-cell multiomics analysis reveals regulatory programs in clear cell renal cell carcinoma》，非常贴心的整理了其全套单细胞多组学下游分析 我下载并且解压看了看，还是有很多可取之处，所以组建交流群号召大家一起解读一下这些代码，而且我们 提供这个文章附带的PRJNA768891数据集的上游分析结果给大家哈。
46050编辑于 2023-09-04 - 来自专栏单细胞天地
单细胞多组学数据分析不会分析
，然后看看随着脂多糖(LPS)处理时间段变化的基因，通路以及细胞亚群，但是单细胞ATAC数据作者给出来的文件应该是不够的，可能是需要去 PRJNA938112 里面下载原始数据后进行处理啦。 scATAC-seq技术原理 单细胞ATAC-seq 同样的，单细胞ATAC-seq也是上下游独立开，走在Linux系统的cellranger-atac软件进行上游分析，然后走R语言里面的下游统计可视化即可 ，我们一直在做单细胞，所以下面的数据库文件是不同时间段下载的不同版本： 34M 3月 1 17:06 aspera-connect-3.7.4.147727-linux-64.tar.gz Single-cell multiomics analysis reveals regulatory programs in clear cell renal cell carcinoma》，非常贴心的整理了其全套单细胞多组学下游分析 我下载并且解压看了看，还是有很多可取之处，所以组建交流群号召大家一起解读一下这些代码，而且我们 提供这个文章附带的PRJNA768891数据集的上游分析结果给大家哈。
45441编辑于 2023-08-31 - 来自专栏用户7627119的专栏
单细胞测序数据拟时序分析
而单细胞测序技术的发展，为我们对细胞群体内的异质性和发育分化轨迹研究提供了新的方法。今天我们就跟随王老师一起来看一下BD SeqGeq™之单细胞测序数据拟时序分析。 ? 什么是拟时序分析？ 实际上，单细胞转录组测序的每个细胞都处在某个特定的分化状态，因此可将每个细胞都看作整个连续分化发育程序中的快照。 BD SeqGeq™ 支持拟时序分析 BD SeqGeq™目前将Monocle v2.0整合为插件。 下面就为大家详细展示如何在SeqGeq™中获取Monocle以及使用它进行拟时序分析。 Monocle运行结束后，会生成一系列的结果图形和数据表格。
4.9K20发布于 2020-08-06 - 来自专栏单细胞天地
单细胞分析工具--ECAUGT提取hECA数据
基于先前的hECA文献笔记：hECA—人类单细胞表达图谱平台，学习使用python工具ECAUGHT高效提取特定类型的人类单细胞图谱数据。 值得注意的是hECA对不同来源数据集仅进行了测序文库的标准化以及log转换，用户可根据特定应用场景进行适当的批次校正处理。 client ECAUGT.Setup_Client(endpoint, access_id, access_key, instance_name, table_name) 2、表型筛选 hECA数据储存方式是行名是细胞 means not NOT operation 3、下载数据 df_result = ECAUGT.get_columnsbycell_para( rows_to_get = rows_to_get df_result.loc[:,genes] expr.reset_index(inplace=True) expr=expr.drop(['cid'], axis=1) 筛选特定基因表达模式，并返回指定列的细胞数据
51920编辑于 2023-02-16 - 来自专栏文献分享及代码学习
单细胞数据分析-SPmarker使用流程
图片现在主要是对软件的流程来进行test的分析。 软件的讲解链接：https://github.com/LiLabAtVT/SPMarker图片introduntion为了剖析每个细胞的生物学功能，分析单细胞 RNA 测序数据的一个重要步骤是用标记基因对特定细胞类型进行分类 我们的方法可以 (1) 基于使用已发布方法标记的细胞分配细胞类型，(2) 将通过轨迹分析识别的细胞类型从一个数据集投影到其他数据集，以及 (3) 基于内部 GFP 标记分配细胞类型。 与已知的标记基因相比，我们在相应的水稻单细胞簇中发现了更多这些新标记基因的直系同源基因。 我们的结果代表了一种从 scRNA-seq 数据中识别细胞类型标记基因的新方法，并为植物中 scRNA-seq 数据的跨物种作图铺平了道路。
68100编辑于 2022-07-23 - 来自专栏单细胞天地
跟着大神学单细胞数据分析
前言 这是 Tang Ming 大神分享的单细胞分析的seurat流程。今天我们来理一下大致的分析思路，当然里面好多细节的部分还需要自己下功夫慢慢研究。 10x Genomics的公共 5k pbmc (外周血单核细胞)数据集。 如果还没有安装或者安装R包有问题，可以参考下面的教程： rstudio软件无需联网但是 BiocManger无法安装R包 批量安装R包小技巧大放送 读入数据 # 读取PBMC数据集 pbmc.data 前后检查数据 ## 检查前后数据的区别 #### raw counts, same as pbmc@assays$RNA@counts[1:6, 1:6] pbmc[["RNA"]]@counts[1: v=HMOI_lkzW08 或者看下面的教程： 聚类分析和主成分分析 或者原作者的博客： https://divingintogeneticsandgenomics.rbind.io/post/pca-in-action
3.9K44发布于 2020-03-30 - 来自专栏生信技能树
单细胞数据分析之缺氧评分
有了评分这个武器，我们很容易对各种各样的基因列表进行自由自在的探索，我们分享过的就有： • 借鉴escape包的一些可视化GSVA或者ssGSEA结果矩阵的方法 • 对单细胞表达矩阵做gsea分析 而且 ，这样的分析确实出现在几乎全部的单细胞数据分析文章里面，比如 2022年5月发表在CELL杂志的文章：《Quiescent cancer cells resist T cell attack by forming （这个时候这个单细胞项目的数据分成了两个组，背后有一个差异分析的哦） All sub- sets of conventional dendritic cells (cDCs) showed an enrichment ： 大家先安装这个数据集对应的包，并且对它进行降维聚类分群，参考前面的例子：人人都能学会的单细胞聚类分群注释 ，而且每个亚群找高表达量基因，都存储为Rdata文件。 打分矩阵 要做出前面的条形图需要一个简单的转换，我随意写了一个代码，发现居然是 FCGR3A+ Mono 的缺氧打分略高于所有的其它免疫细胞，蛮让我费劲的，不知道是不是PBMC单细胞数据集的特异性呢，还是说
2.6K40编辑于 2022-06-08
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