- 综合排序
- 最热优先
- 最新优先
- 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. 系统发育分析 scRNA1<-BuildClusterTree(scRNA1) PlotClusterTree(scRNA1) 7.
1.8K40编辑于 2022-12-20 - 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。 为什么需要拟时序分析？ 传统的scRNA-seq分析通常将细胞分为离散的类型，但这忽略了细胞状态是连续变化的事实。 拟时序分析有以下优势： 揭示细胞分化路径和发育轨迹 识别驱动细胞状态转变的关键基因 在没有时间序列实验的情况下推断细胞发育动态 发现新的细胞亚群和中间过渡状态 怎么做拟时序分析？ 拟时序分析的基本流程包括： 从预处理好的数据中创建拟时序对象 降维和聚类 学习细胞轨迹 排序细胞并计算伪时间 分析与伪时间相关的基因表达变化 目前常用的拟时序分析工具包括Monocle3、Slingshot 值得注意的是，拟时序分析的结果高度依赖于数据质量和参数选择，特别是起始细胞的指定。始终结合生物学先验知识评估分析结果的合理性，并考虑进行实验验证来支持计算预测。
1.5K20编辑于 2025-03-13 - 来自专栏单细胞天地
单细胞转录组高级分析二：转录调控网络分析
上期专题我们介绍了单细胞转录组数据的基础分析，然而那些分析只是揭开了组织异质性的面纱，还有更多的生命奥秘隐藏在数据中等待我们发掘。 本专题将介绍一些单细胞转录组的高级分析内容：多样本批次校正、转录因子分析、细胞通讯分析、基因集变异分析和更全面的基因集富集分析。不足之处请大家批评指正，欢迎添加Kinesin微信交流探讨! 然而单细胞转录组数据具有背景噪音高、基因检出率低和表达矩阵稀疏性的特点，给传统统计学和生物信息学方法推断高质量的GRNs带来了挑战。 往期回顾 单细胞转录组基础分析一：分析环境搭建 单细胞转录组基础分析二：数据质控与标准化 单细胞转录组基础分析三：降维与聚类 单细胞转录组基础分析四：细胞类型鉴定 单细胞转录组基础分析五：细胞再聚类 单细胞转录组基础分析六 ：伪时间分析 单细胞转录组基础分析七：差异基因富集分析 单细胞转录组基础分析八：可视化工具总结 欢迎加入生信技能树小圈子 期待单细胞工具的大浪淘沙,洗尽铅华 ---- ---- ---- ?
19.4K57发布于 2020-09-04 - 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。 然后我们可以使用这个新的表达矩阵进行下游分析和可视化。 包括进行标准化，运行PCA，并使用UMAP可视化结果。 dims = 1:30) pancreas.query <- AddMetaData(pancreas.query, metadata = predictions) 因为我们有来自完整整合分析的原始标签注释
2.3K30发布于 2020-03-30 - 来自专栏Linux基础入门
单细胞转录组 | 细胞周期分析
因此我们需要对细胞周期进行分析，评估周期基因是否会对后续的聚类造成影响。 本文框架 1. 安装包 如果已经安装，此步请跳过。 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)。 object：标准化后的Seurat对象； features：用来进行PCA的基因集合； DimPlot函数格式：DimPlot(object,reduction,group.by,……) object：主成分分析后的 # 对周期基因进行主成分分析 PCA <- RunPCA(scRNA1, features = c(s_genes, g2m_genes)) # 对主成分分析结果进行可视化 PCA_plot <- DimPlot
3.8K31编辑于 2022-12-20 - 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
1.数据的准备1.1选择想要进行时间轨迹分析的seurat亚群,，并将亚群提取出来#走一遍seurat标准流程后，得到数据，提取亚群table( Idents(sce ))table(sce@meta.data = 6,reduction_method = 'tSNE', verbose = T)cds <- clusterCells(cds, num_clusters = 6) 2.查找差异基因及时间轨迹分析 plot_genes_jitter(cds[cg2,],grouping = "Cluster",color_by = "Cluster",nrow= 3,ncol = NULL )图片图片2.2 时间轨迹分析第一步 TRUE)my_pseudotime_clusterpdf('monocle_top50_heatmap.pdf')print(my_pseudotime_cluster)dev.off()图片分支表达分析建模 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？ 在本文中，我将使用CellChat进行分析，这是一个基于R语言的强大工具，能够定量推断细胞间通讯网络并进行多种可视化。 基于R的细胞互作分析实践 1. 社会网络分析 通过计算每个细胞群的网络中心性指标，识别每类细胞在信号通路中的角色/作用C（发送者、接收者、调解者和影响者） # 分析细胞群的发送和接收能力 pdf("heatmap_Role_pathways.pdf 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 等函数进行比较分析 通过这些分析，我们可以全面了解组织中的细胞通讯网络，为进一步的功能验证和机制研究提供方向。
71810编辑于 2025-03-14 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。 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 空间数据来源，10X Spatial + Seurat分析。生活很好，有你更好。文章分析不难，就是有创新性。
45221编辑于 2024-10-12- 来自专栏单细胞天地
单细胞转录组高级分析三：细胞通讯分析
上期专题我们介绍了单细胞转录组数据的基础分析，然而那些分析只是揭开了组织异质性的面纱，还有更多的生命奥秘隐藏在数据中等待我们发掘。 本专题将介绍一些单细胞转录组的高级分析内容：多样本批次校正、转录因子分析、细胞通讯分析、基因集变异分析和更全面的基因集富集分析。不足之处请大家批评指正，欢迎添加Kinesin微信交流探讨! 利用单细胞转录组数据分析的细胞通讯，仅限于蛋白质配体-受体复合物介导的细胞间通讯。 往期回顾 单细胞转录组基础分析一：分析环境搭建 单细胞转录组基础分析二：数据质控与标准化 单细胞转录组基础分析三：降维与聚类 单细胞转录组基础分析四：细胞类型鉴定 单细胞转录组基础分析五：细胞再聚类 单细胞转录组基础分析六 ：伪时间分析 单细胞转录组基础分析七：差异基因富集分析 单细胞转录组基础分析八：可视化工具总结 欢迎加入生信技能树小圈子 期待单细胞工具的大浪淘沙,洗尽铅华 ---- ---- ---- ?
17.4K59发布于 2020-09-04 - 来自专栏单细胞天地
单细胞转录组基础分析六：伪时间分析
单细胞测序技术是近年最大的生命科学突破之一，相关文章频繁发表于各大顶级期刊，然而单细胞数据的分析依然是大家普遍面临的障碍。 本专题将针对10X Genomics单细胞转录组数据演示各种主流分析，包括基于Seurat的基础分析、以及基于clusterProfiler、Monocle、SingleR等R包的延伸分析。 它分析的前提需要一张展现细胞转录特征相似性关系的图，Monocle2使用DDTree降维图，Monocle3使用UMAP降维图。 往期回顾 单细胞转录组基础分析一：分析环境搭建 单细胞转录组基础分析二：数据质控与标准化 单细胞转录组基础分析三：降维与聚类 单细胞转录组基础分析四：细胞类型鉴定 欢迎加入生信技能树小圈子 期待单细胞工具的大浪淘沙 ,洗尽铅华 空间转录组听课收获 把tcga大计划的CNS级别文章标题画一个词云 单细胞基因组学前沿会议推荐（*冷泉港亚洲学术会议） 并不是所有的批次效应都可以被矫正------------ ?
16.2K63发布于 2020-09-04 - 来自专栏单细胞天地
综述-单细胞转录组学分析细胞通讯
单细胞转录组学的研究也慢慢开始从只关注存在哪些细胞转向进一步关注细胞之间的关系。 本综述的目的有两个： (1) 从单细胞数据中总结新兴 CCC 方法； (2) 提出改进当前 CCC 局限性的可能途径。 从单细胞基因组学数据推断 CCC CCC 通过包括信号通路的各种生化反应来联系。 (c)使用空间转录组学推断细胞间通信保留了细胞之间的空间距离，但可能会损失单细胞或基因层面的信息。 尽管 CCC 核心原理很容易理解，但它常常会过于计算简单化，而导致结果信号值偏高。 空间转录组（ST）可以保留空间信息，不过通常以牺牲细胞分辨率、覆盖范围或测序深度为代价。 多组学整合 除了 scRNA-seq 和 ST，现在还有其他新兴的单细胞技术可以提供蛋白质和表观遗传信息。例如，将 scRNA-seq 与 scATAC-seq 整合可以进一步了解细胞聚集和转录调控。
3.4K31编辑于 2022-04-18 - 来自专栏单细胞天地
时间序列单细胞转录组数据分析
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 包含了六万多个单细胞转录组数据，持续追踪了MEF细胞系诱导为IPSC细胞的动态变化过程，并且从发育的角度分析了这些数据 ? 而单细胞转录组测序技术非常强大，适合解决这个问题。 单细胞转录组在探索发育轨迹这方面也有过一些应用了，主要的算法集中于3个： k-nearest neighbor graphs binary trees diffusion maps 他们的缺陷很明显，有
2.1K21发布于 2020-03-27 - 来自专栏生信技能树
单细胞转录组数据分析必读综述
写在前面 摸索单细胞转录组数据分析这两年，我遇到过太多的CNS文章及综述，但只有本文被我安排给了所有人进行翻译，本译文来自于最优秀的学习者，最开始在不到3000粉丝的单细胞天地公众号发布，却喜获近5000 单细胞转录组分析综述 （原文链接） 但是忘记开通原创，而且也值得在我们生信技能树这个华语区第一大IP继续分享，并号召所以从事单细胞转录组数据分析的工程师大家学习！ ? ? 文献详解栏目 每个人的时间精力有限，必须优先阅读相关文献，开设这个栏目也是希望为大家推荐高质量的单细胞相关文献。如果大家对单细胞转录组感兴趣可以关注一下，哪怕每天只学一点点，积土成山，积水成渊。 单细胞测序的发展允许使用整个转录组的数千个细胞去鉴定细胞类型，目前scRNA-seq已经应用在许多发育中的或者固定时间点的组织和器官，包括大脑不同区域的研究(Darmanis et al., 2015; 3.2 技术噪音 ◆ ◆ ◆ ◆ ◆ UMI与Spike-ins 单细胞转录组一般会搭配unique molecular identifiers (UMIs) 或已知浓度的外源RNA分子(spike-ins
7.1K102发布于 2019-05-20 - 来自专栏生信探索
单细胞转录组实战06: pySCENIC转录因子分析（原理）
图片背景转录因子（transcriptionfactor, TF）是直接作用于转录组上，调控DNA转录的蛋白质。 它通过与DNA特定区域结合(TFBS/motif)，促进（activator）或阻止（repressor）DNA的转录过程，了解转录因子对于解析细胞的功能及生命活动有重要作用图片分析流程对亚群细分类分析 ，也可以对不同的实验组分析Step 1 构建共表达网络输入的数据是标准化的count矩阵（行是基因和列是细胞），从中找出TFs调节的基因构建共表达网络。 Step 2 motif富集分析进行TF-motif富集分析，识别直接靶标。仅保留具有正确的上游调节子且显著富集的motif modules，并对它们进行过滤以除去缺乏motif支持的间接靶标。
2.9K40编辑于 2023-02-19 - 来自专栏生信探索
单细胞转录组实战06: pySCENIC转录因子分析（docker）
准备环境 pyscenic micromamba activate SC 安装docker 需要有root权限或者在docker的用户组 #1.Update the apt package index docker-compose-plugin #5.chmod sudo groupadd docker sudo usermod -aG docker ${USER} # 把非root用户添加到用户组
2.1K21编辑于 2023-02-21 - 来自专栏用户7627119的专栏
单细胞转录组数据分析——降维
一降维的目的 ①简化数据，将多维、复杂的数据简化为二维； ②去除数据中的冗余部分； ③减少后续数据分析的时间； ④有助于聚类； ⑤实现数据可视化。 三单细胞数据分析中常用的降维方法 1.主成分分析PCA PCA (Principal Component Analysis)是最常用的线性降维方法，数据从原来的坐标系转换到新的坐标系，新坐标系的选择是由数据本身决定的 上图是几种常见的单细胞数据处理工作流程，几种工作流程中都用到了PCA以及t-SNE降维方法，大部分也都用到了UMAP降维方法。
3.6K21发布于 2020-08-05 - 来自专栏天意生信俱乐部
单细胞转录组 | 差异基因分析和富集分析
一、单细胞与普通转录组差异基因分析的区别 单细胞转录组(scRNA-seq)与普通转录组(bulk RNA-seq)在差异基因分析方面存在本质区别： 1. 分析单位不同： 普通转录组：以组织或细胞混合物为单位，结果反映的是平均表达水平 单细胞转录组：以单个细胞为单位，能够揭示细胞间的异质性 2. 数据特性不同： 普通转录组：信号强度高，噪音相对较低 单细胞转录组：存在大量零值(dropout)，数据稀疏性高，技术噪音大 3. 分析方法不同： 普通转录组：DESeq2、edgeR等方法直接比较组间差异 单细胞转录组：需要先分群，再进行细胞类型特异性分析，可使用MAST、Wilcoxon等特殊方法 4. 这种细胞类型特异性的分析是单细胞转录组技术的独特优势，可以揭示在普通转录组分析中可能被掩盖的细胞类型特异性变化。当然，你也可以选择分析不同类群（亚群）间的差异基因表达。
1.8K10编辑于 2025-03-20 - 来自专栏青青青山的学习笔记
单细胞转录组之拷贝数变异分析
1.什么是拷贝数变异拷贝数变异(Copy number variation, CNV)：基因组发生重排而导致的,一般指长度1 kb 以上的基因组片段的拷贝数增加或者减少, 主要表现为亚显微水平的重复或者缺失 人类基因组含有约31.6亿个DNA碱基对，组成了23对染色体，每对染色体中一条遗传自父亲，一条遗传自母亲，2条染色体亦称为同源染色体，大小和基因组成基本一致，22对为常染色体，还有一对性染色体，女性为XX 作为疾病的⼀项⽣物标志，染⾊体⽔平的缺失、扩增等变化已成为许多疾病研究的热点，然⽽传统的⽅法（⽐如G显带，FISH，CGH等）存在操作繁琐，分辨率低等问题，难以提供变异区段的具体信息，单细胞测序为我们提供了一种新的工具和视野去分析 正常组）外的其他组的数据infercnv.dend <- read.dendrogram(file = "infercnv_output/infercnv.observations_dendrogram.txt ),]sce@meta.data=phehead(phe)save(sce, file = 'epi_sce_annoCNV.Rdata')图片---参考来源#section 3已更新#「生信技能树」<em>单细胞</em>公开课
4.2K11编辑于 2022-07-07 - 来自专栏单细胞天地
scHLAcount || 单细胞转录组HLA等位基因分析
scHLAcount允许我们使用个性化的参考基因组计算HLA I类基因HLA-A、B和C的单细胞转录组序列数据中的分子数；和HLA II类基因DPA1, DPB1, DRA1, DRB1, DQA1, 可以使用由替代方法确定的提供的HLA类型，也可以使用此工具分析HLA类型，然后根据这些调用进行量化。 scHLAcount可用于观察HLA基因等位基因的特异性表达。 scHLAcount 是10X 官方出品，也是单细胞转录组数据挖掘的另一个例子，其实我们仅看HLA表达量的话，我们写过如何快速地从单细胞数据中观察HLA基因表达模式（https://www.jianshu.com 但是用scHLAcount可以分析HLA等位基因的情况，当然是从bam文件中calling出来的。 ? ? 这个也给我们释放了一个信号：单细胞转录组数据挖掘越来越多要从比对结果BAM文件中来挖了。
1.3K30发布于 2020-09-14 - 来自专栏单细胞天地
单细胞转录组数据分析||Seurat并行策略
作者 | 周运来 随着单细胞技术的成熟，单细胞数据分析往往不再是单个组织样本，这有时候在计算（资源与时间）上是一个挑战。为此，Seurat也提供了可以探索的并行策略。 鉴于入门单细胞数据分析的同事大多不是计算机出身，我们借助知乎的回答来解释一下什么是并行： 你吃饭吃到一半，电话来了，你一直到吃完了以后才去接，这就说明你不支持并发也不支持并行。 在数据分析过程中，比如我们计算差异基因，其实是单个基因的计算，一般是算完一个再算下一个，并行的意思就是同时计算，以节约时间。 在Seurat中，我们选择使用future的并行化框架。 说到底Seurat不过是个R包，想要并行计算是要懂一些R里面并行原理的：由内而外释放R的力量||摘自《R大数据分析实用指南》。 / memory.size()； 将大量的并行分小部分进行； 在代码中多使用rm()删除没用的变量，使用gc()回收内存空间； References [1] 由内而外释放R的力量||摘自《R大数据分析实用指南
4.1K31发布于 2020-06-23
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