- 综合排序
- 最热优先
- 最新优先
- 来自专栏单细胞天地
单细胞转录组绘制肺癌图谱
本研究对三种肿瘤和正常肺组织样本进行单细胞 RNA 测序，全面分析了肺癌的细胞组成，发现肿瘤微环境的特征在于分化出具有非炎症特征的单核细胞来源的骨髓细胞、肿瘤相关内皮细胞、一系列血管平滑肌细胞和周细胞以及具有癌症相关成纤维细胞样特征的肌成纤维细胞 单细胞水平上探索肺癌的细胞多样性 作者选取了三名接受初次手术的先前未治疗的肺类癌患者，从中收集了肿瘤组织和正常肺实质的新鲜组织样本。
64020编辑于 2023-02-16 - 来自专栏Linux基础入门
单细胞转录组 | 细胞聚类分析
前言 单细胞测序的细胞数目成千上万，在后续分析中需要对其进行注释，但是对每一个细胞都进行注释不现实，因此我们需要对这些细胞进行聚类，这样只需要对聚类生成的cluster进行注释就可以了（聚成一类的细胞大概率是相同的细胞类型 读取数据 该数据为标准化后储存降维信息的数据，降维数据获取请查看：单细胞转录组 | 数据降维 scRNA <-load("scRNA1.Rdata") 5.
1.8K40编辑于 2022-12-20 - 来自专栏单细胞天地
单细胞转录组技术梳理（一）
分享是一种态度 谈起单细胞转录组测序就不得不提到北京大学汤富酬教授，2009年，汤富酬老师在博士后期间发表了世界上第一篇单细胞mRNA测序的文章“mRNA-Seq whole-transcriptome analysis of a single cell”,自此正式拉开了单细胞转录组的大门。 细胞裂解：在显微镜下人工吸取单个细胞并裂解 cDNA合成：带有锚定序列(UP1)的poly(T)引物将mRNA反转录成cDNA primer去除：消化未使用的引物 末端加尾：将Poly(A)尾巴添加到cDNA
2.4K22发布于 2020-03-27 - 来自专栏单细胞天地
单细胞转录组技术梳理（二）
分享是一种态度 前言 上次分享了2009年汤老师的第一篇单细胞转录组研究文章中的测序方法 在这之后，许多更灵敏、更准确的单细胞转录组技术如雨后春笋般相继被开发出来。 今天继续来回顾一下2011年的单细胞转录组测序技术 STRT（Single-cell tagged reverse transcription ）。 STRT 每个样本都是通过将单个细胞挑取到预装有裂解缓冲液的96孔PCR板中，然后加入反转录试剂来产生cDNA第一链。每个孔中加入8个合成mRNA作为内部对照。 为了使反应孔结合一个特定的barcode(即使细胞特异)，STRT利用了逆转录酶模板切换机制，在每个反应孔的辅助寡核苷酸指导cDNA 3'端引入一段特异性序列（带有6bp barcode）。 用oligo-dT寡核苷酸引物(绿色)逆转录mRNA(棕色)，产生cDNA第一链，并且在3'端添加了3-6个C(胞嘧啶)； 模板转换：将辅助寡核苷酸(helper oligo , 绿色)引入到cDNA中
3.2K41发布于 2020-03-27 - 来自专栏天意生信俱乐部
单细胞转录组 | 拟时序分析
拟时序分析概述 拟时序分析（Pseudotime analysis）是一种在单细胞RNA测序（scRNA-seq）数据中重建细胞发育轨迹的计算方法。
1.5K20编辑于 2025-03-13 - 来自专栏Linux基础入门
单细胞转录组 | 数据降维
前言 在对单细胞转录组数据标准化之后，需要对数据进行降维。 那么降维的目的是什么呢？ RunPCA函数格式：RunPCA(object,features = NULL, npcs = 50,……) object：标准化后的Seurat对象； features：用来进行PCA的基因：为单细胞转录组
1.1K40编辑于 2022-12-20 - 来自专栏单细胞天地
单细胞转录组技术梳理（三）
回顾 单细胞转录组技术梳理（一） 单细胞转录组技术梳理（二） SMART-seq SMART（Switching mechanism at 5’ end of the RNA transcript）是一个具有里程碑意义的重要技术 作为一种单细胞测序方案，它能够在覆盖完整的转录本，能够在全基因组范围内挖掘调控网络，从而实现对单细胞转录组本异构体分析和SNA检测。尤其适用于对等位基因特异性表达或剪接变体的深入研究。 具体流程 ? 从少量或单个细胞进行cDNA扩增和文库制备： 首先在逆转录兼容缓冲液中裂解细胞， 以polyA RNA为模板，然后用带接头的oligo(dT)为引物，在SMART逆转录酶（SMARTScribeTM Reverse 优缺点 优势： 每个细胞单独建库 样本浓度要求低，起始材料低至50pg，灵活性高 可达单碱基分辨率，定位水平高 转录本覆盖度高 劣势： 非链特异性建库 转录本长度具有偏向性，对超过4Kb的序列不能高效转录 高丰度转录本被优先扩增 纯化步骤可能导致材料损失
1.5K30发布于 2020-04-27 - 来自专栏生信技能树
单细胞转录组绘制肺癌图谱
本研究对三种肿瘤和正常肺组织样本进行单细胞 RNA 测序，全面分析了肺癌的细胞组成，发现肿瘤微环境的特征在于分化出具有非炎症特征的单核细胞来源的骨髓细胞、肿瘤相关内皮细胞、一系列血管平滑肌细胞和周细胞以及具有癌症相关成纤维细胞样特征的肌成纤维细胞 单细胞水平上探索肺癌的细胞多样性 作者选取了三名接受初次手术的先前未治疗的肺类癌患者，从中收集了肿瘤组织和正常肺实质的新鲜组织样本。
33510编辑于 2023-02-27 - 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。
2.3K30发布于 2020-03-30 - 来自专栏生信小白的专栏
单细胞转录组scruble双细胞计算
在单细胞转录组分析过程中的质控不仅仅包含对于检测基因数(n_genes),counts数和percent.mt,进行双细胞的筛选会更加科学。
92040编辑于 2023-06-14 - 来自专栏生信技能树
单细胞转录组数据处理综述
很久以前无意中翻译过一篇单细胞的新闻，单细胞测序 也关注过这方面进展，北大谢晓亮组又更新了他们的单细胞全基因组扩展方法 正好我们博士阶段有一门课是写一个综述系统性的总结一个研究领域，我就很自然的选择了这个单细胞转录组的数据处理
1.5K91发布于 2018-03-09 - 来自专栏生信宝典
单细胞转录组基本概念（一）
普通转录组的思路也可以应用到单细胞转录组。普通转录组相当于把一群细胞或一个器官混合到一起去提取RNA，获得的是每个细胞中RNA表达量的平均值。 ，所以说单细胞从这个来看跟普通转录组就不同在是用一个细胞测，不是用一堆细胞测。 既然是做单细胞，第一步就是把单个细胞分选出来。分选的方式也比较多，物理切割，酶消化，FACS分选等。假如已经分到了一个单细胞，跟常规的转录组步骤上是一样的。 单细胞转录组的分析流程，主要还在在后期的聚类、发育轨迹、整合分析等。 ? 下图是单细胞转录组测序技术的发展，横轴是时间，纵轴是每一个技术所能检测到的细胞的量的变化，基本服从指数的分布。 汤富酬老师在国外做博后的时候，2009、2010年2篇文章拉开了单细胞转录组测序的序幕，现在他也是单细胞领域特别高产的研究者。
2.5K41发布于 2021-05-27 - 来自专栏青青青山的学习笔记
单细胞转录组之拟时序分析
show_rownames = F,cluster_cols = F, annotation_col=ac[od,])图片---参考来源#section 3已更新#「生信技能树」单细胞公开课
4.6K22编辑于 2022-07-10 - 来自专栏Linux基础入门
单细胞转录组 | 细胞周期分析
细胞周期分析 5.1 查看周期基因与高变基因的交集 在单细胞周期分析时，通常只需要考虑三个阶段：G1、S、G2M（G2和M当做一个阶段)。
3.8K31编辑于 2022-12-20 - 来自专栏天意生信俱乐部
单细胞转录组 | 细胞互作分析
通过单细胞测序技术，可以在单细胞分辨率上推断这些细胞间的通讯模式。 为什么要研究细胞互作？ 总结 完成细胞互作分析后，需要关注以下几点： 识别主要的信号通路和关键的配体-受体对 分析不同细胞群的通讯模式和功能角色 结合生物学背景解释发现的通讯网络 如有对照组，可以使用CellChat的compareInteractions
71610编辑于 2025-03-14 - 来自专栏单细胞天地
单细胞转录组探索小鼠肝脏发育
不知不觉在单细胞转录组领域做知识分析也快两年了，很幸运聚集了五个小伙伴携手共进，我们承诺不间断更新5个月，把我们这两年的学习成果全部掏出来给大家，包括5个栏目： 文献速递（简短介绍，扩充知识面） 文献详解 （图文并茂带来大家系统性学习） ř与Bioconductor的技巧（书籍翻译，妙招共享） scRNAseq的GitHub的书籍翻译（原汁原味的名校教程） 全网第一个单细胞转录组视频教程学习笔记分享 希望大家能有所收获 现在你看到的是文献速递 肝脏背景知识 肝脏是一种多倍体器官，由具有一个或两个细胞核的肝细胞组成，每个细胞核含有2,4,8或更多单倍体染色体组。 这篇nature文章数据在：ncbi.nlm.nih.gov/geo/qu 共测量了肝脏的26个不同部位的 1736 个单细胞的表达数据。 使用的是MARS-seq单细胞转录组建库技术： Jaitin, D.
1.3K10发布于 2020-03-27 - 来自专栏生信技能树
白癜风单细胞转录组数据处理
前些天我们公众号弄了一个活动，详见：春节期间单细胞转录组数据分析全免费，收到了上百个需求， 本来呢我们自己就算是春节前后14天不吃不喝不眠不休也不可能完成这么多单细胞数据处理。 好在我灵机一动，想起来了前面两个月培养的一百多个在线实习生，毕竟教了大家R语言，转录组，以及单细胞转录组。 所以我写了一个还算是比较自动化的单细胞转录组数据处理代码，如果是我自己来做这样的处理，可以在十几分钟就完成复现文章的第一层次降维聚类分群图，如下所示的2分组的15个样品 ： 降维聚类分群图 首先下载文件 (sce.all@meta.data$group) table(sce.all@meta.data$orig.ident) 上面的 scRNA_scripts 文件夹里面的 lib.R 就是加载一些单细胞转录组数据分析常见的包即可 ：《Anatomically distinct fibroblast subsets determine skin autoimmune patterns》，当然了降维聚类分群和命名仅仅是单细胞转录组数据分析的万里长征第一步而已
63110编辑于 2023-02-27 - 来自专栏单细胞天地
单细胞转录组研究的同时也可以加上传统bulk转录组
vaginal prolapse”的研究论文，链接是：https://www.nature.com/articles/s41467-020-20358-y 我注意到这个研究比较好的结合了传统bulk转录组数据和单细胞转录组数据 因为是传统的bulk转录组数据，所以我们并不能确定这 1190 upregulated genes and 1355 downregulated genes 到底是由bulk转录组样品里面的具体什么细胞的改变造成的 我们看到的其实是bulk转录组样品里面的全部细胞的改变的一个混合效应，但是如果加上单细胞转录组数据，就可以完美的解决这个问题： COL9A1, shown to be upregulated in bulk 差异基因来源于不同的细胞亚群 单细胞转录组（10X技术） 链接是：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi? 可视化不同细胞亚群的标记基因 当然了，单细胞转录组数据分析肯定不仅仅是质控降维聚类分群和细胞亚群的生物学注释，以及可视化不同细胞亚群的标记基因这些标准分析啦。
2.4K10发布于 2021-01-12 单细胞空间转录组学分析lncRNAs
作者，Evil Genius一直以来我们做单细胞空间都在研究基因表达，对于单细胞空间分析lncRNAs，不知道大家研究的有多深。 知识积累利用空间转录组学研究CRC肿瘤中的lncRNAs，与bulk RNA测序相比，提供了更精确的细胞类型特异性表达数据。根据其基因组或表观基因组状态，CRC可分为三种主要的临床亚型。 使用空间转录组学来解决这些问题，允许在接近单细胞分辨率下对恶性上皮细胞群体进行特异性研究，而不会丢失肿瘤及其周围微环境的空间结构。空间转录组学正在成为研究癌症的有力工具。 由于肿瘤的空间背景被保留，能够在组织的转录组和组织病理学的指导下精确地识别和表征肿瘤的转移区域。 结果1、空间转录组学证实了细胞组织成分的空间结构病理学家手动检查H&E染色的组织切片 + Seurat 聚类空间转录组学检测患者组织中mRNA的空间不同表达模式空间转录组学检测患者组织中lncRNA在空间上不同的表达模式结果
45221编辑于 2024-10-12- 来自专栏用户7627119的专栏
单细胞转录组测序数据质控
大家都知道质控是单细胞转录组数据分析中十分重要的一步，那么导致数据质量差的原因有哪些呢？质控的标准是什么呢？有哪些解决的方案呢？快快跟随小编一起来寻找答案吧。 二单细胞转录组测序 VS Bulk转录组测序 总的来说，单细胞转录组体现异质性（个体），Bulk转录组体现平均程度(总体)。因此Bulk转录组不能区分一个样本中的不同细胞类型。 单细胞转录组相比于Bulk转录组的缺点： ①扩增的偏好性； ②Drop-out（基因表达但未测到）的比例； ③背景噪声； ④由于细胞周期、细胞大小等带来的偏好性； ⑤批次效应。 六如何过滤基因 基因集选择基于： ①依据设定的cut off值获得基因表达情况； ②变异基因； ③过滤低丰度的基因； ④预先的基因注释信息； ⑤来自Bulk转录组数据的差异表达基因； ⑥基于PCA的排序 看完这些相信大家一定对单细胞转录组的质控有了一定的了解了。总的来说，质控必不可少，如何计划好实验避免技术误差，提前预估数据集中细胞分布情况等都有利于获得更加准确的数据结果。
3K20发布于 2020-08-06
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