- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户7627119的专栏
空间转录组学（Spatial Transcriptomics）
01、空间转录组技术的发展 近年来单细胞转录组测序技术的应用大大拓宽了人们的视野，使人们能够深入了解组织中细胞的构成的多样性和基因表达状态。 单细胞转录组测序技术和空间转录组技术【2】 单细胞转录组测序技术可以说是融合了高通量组学技术和传统的单细胞研究手段，即解决了通量和分辨率的问题。 空间转录组技术（spatial transcriptomics）则需要利用常规的原位技术和组学技术两方面的优势。 ? 图3. 图10. 10X Genomics Visium空间转录组技术的流程 3、应用方向 空间转录组的应用方向包含了肿瘤学，免疫学，发育生物学，神经科学及病理学等各个方向。 ? 图11. 基因表达的空间热图【8】 5、空间转录组和单细胞转录组数据的整合 10X Genomics Visium空间转录组技术目前还达不到单细胞分辨率，而单细胞转录组数据则能够起到一定的补充作用，将两者的数据进行锚定和整合
13.1K52发布于 2020-08-06 - 来自专栏数据科学（冷冻工厂）
空间转录组学: 局部异常检测
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！ 局部异常检测 单细胞与空间转录组学中，全局异常检测的一个关键假设是：QC 指标与自然生物学相互独立。否则，天然具有低文库大小或较高线粒体比例的细胞或 spot 更可能被当作异常值移除。 然而，如上所示，在基于测序的 ST 中，由于每个 spot 所采样组织的生物学异质性更高，该假设更常被违背。 解决此问题的一种策略是在其局部生物学邻域内寻找异常值。
20810编辑于 2025-09-17 - 来自专栏数据科学（冷冻工厂）
空间转录组学: 计数矩阵 定量
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！ 不同空间转录组平台做法不一样：像 10X Visium，每个芯片的坐标是固定死的，对照表随协议版本一起发布；而另一些平台，芯片上的坐标是随机打的，供应商会随芯片附赠一个专属对照文件。 把读段按 CID 还原到真实空间位置的过程就叫“条形码解析”（barcode deconvolution），它是空间转录组数据分析的头道工序。 reads 比对 转录本序列本身只是字符串，要想知道这些序列来自哪个基因，就必须把它们比对到带基因注释的参考基因组上。 常用的比对软件有 STAR 和 Rsubread。 过滤与质控 在reads层面，我们要综合前面每一步的信息来做质控： 质量分太低的reads直接扔掉； 条形码对不上已知 CID 或 MID/UMI 的reads不要； 没比对到基因组、比对到多个地方或落进内含子区域的
25100编辑于 2025-07-29 - 来自专栏数据科学（冷冻工厂）
空间转录组学: 测序平台介绍
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！ 基于测序的空间转录组学 基于测序的空间转录组学（ST）平台将高通量测序实验中的基因表达分析与特定位置的独特条形码所携带的空间信息相结合。 整个过程包括组织制备、RNA 捕获、逆转录以及高通量测序等步骤。在生物信息学分析中，将测序得到的序列读取与参考转录组（或注释基因组）进行比对，并进一步解析这些序列，以确定它们最初的空间位置。 通过苏木精和伊红（H&E）染色生成的组织学图像可用于识别每个样本的解剖学和细胞形态学特征，包括每个斑点的细胞数量。 条形码正方形的高空间分辨率接近单细胞水平，而测序技术则提供了转录组水平的基因覆盖范围。由于其更高的分辨率和数据覆盖范围，数据的稀疏性可能会增加。
44900编辑于 2025-07-12 - 来自专栏数据科学（冷冻工厂）
空间转录组学: 质控处理（1）
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！ 然而，在解释这些指标时必须谨慎，因为在基于测序的 ST 数据中，它们容易受到生物学的混淆。 例如，在大脑中，神经元胞体位于灰质，而白质几乎完全由神经元突起组成。 这自然导致灰质区域检测到的基因数量和总体捕获的转录本数量远高于白质。此外，白质往往比灰质显示更高比例的线粒体读段。缺乏这一生物学背景，人们可能错误地认为白质区域质量低，应在下游分析前移除。 列包含每个spots的独特分子标识符（ UMI ）总数，detected 列包含每个spots检测到的独特基因数目，subsets_mito_percent 列则包含每个spots比对到线粒体基因的转录本百分比 其余spots为背景spots，我们不感兴趣，因为它们几乎全部由线粒体基因以及细胞碎片中的转录本构成。
34610编辑于 2025-08-08 空间表观组学与转录组学联合分析
作者，Evil Genius参考文章Spatial epigenome–transcriptome co-profiling of mammalian tissues | Nature单细胞多组学，特别是染色质可及性表观遗传和转录组同时测序分析 随着近年来空间组学的兴起， 空间多组学技术 (spatial multi-omics)是否也可以同时分析基因表达和基因调控机制？这成为了大家一致期待的新一代革命性组学工具。 空间多组学在2022年更是被Nature杂志展望为为最值得期待的七个技术之一。2020年底，耶鲁大学的樊荣教授团队首次报道了利用组织样本原位编码方法同时分析空间转录组和蛋白组（DBiT-seq）。 2023年2月23日，樊荣教授团队开发的空间转录组和蛋白组新技术Spatial-CITE-seq，实现了高通量（约200–300）蛋白和转录组同时分析。 因此如果空间分辨的表观遗传组和转录组联合测序分析技术（spatial epigenome–transcriptome co-sequencing）能够实现，将会成为复杂组织生物学研究的一个终极利器，
40810编辑于 2024-06-29- 来自专栏数据科学（冷冻工厂）
空间转录组学: 全局异常值检测
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！ 这有助于我们在确定最佳阈值的同时，检查是否无意中去除了具有生物学意义的 spot 组。 spot 组，也不会导致剔除过多的观测值。 否则，移除这些 spot 可能意味着我们设定的阈值过高，从而把具有生物学信息的 spot 也一并删除了。 换言之，library size 与生物学特征存在混淆，这一点在先前的研究中已有证实（Bhuva et al. 2024；Totty, Hicks, and Guo 2025）。
24810编辑于 2025-09-17 - 来自专栏生信修炼手册
表观转录组学-m6A简介
DNA甲基化作为重要的表观遗传学标记，研究的非常广泛。与DNA相对应，在RNA水平也存在着多种化学修饰，已经发现的就有100种以上，在编码和非编码RNA上都存在。 technologies: decoding RNA modifications https://www.nature.com/articles/nmeth.4110 m6A是其中最常见，数量最多的一种转录后修饰 研究转录组m6A修饰有多种技术，示意如下 ? 目前, m6A-seq仍然是最常见的研究m6A修饰的技术，分析内容包括数据质控，比对基因组，peak calling, peak基因注释，差异peak分析，motif预测等等，大部分分析内容和chip_seq
2K30发布于 2020-05-07 - 来自专栏数据科学（冷冻工厂）
空间转录组学: 测序数据介绍
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！ 背景 基于测序的空间转录组学（ST）平台通过使用下一代测序（NGS）技术，结合空间条形码，在组织的不同空间位置上对基因表达进行定量分析。 序列和测序 在转录组学中，“读取序列”是指从RNA分子逆转录而来的cDNA片段的核苷酸序列。这些转录本的丰度反映了基因表达水平，而这正是转录组学分析的核心目标。 空间转录组学的优势在于能够将读取序列与RNA分子的起源位置相关联，从而揭示基因表达的空间分布。 另一个文件则包含我们需要与参考基因组或转录组（或探针集）进行比对以确定表达基因的转录本（或探针）序列。
35110编辑于 2025-07-21 - 来自专栏小明的数据分析笔记本
【进化基因组学】比较转录组--数据预处理
而对应到我们的比较转录组，自然就是先经过测序得到原始数据，又或者是使用已经发表的转录组数据（初始数据），经过数据初步质检（fastqc确定碱基质量），切除接头与低质量碱基（数据清洗），然后再检验一次质量 至于样品的要求，做比较转录组对时期不是那么严格，只要能够获取大量生物体RNA即可。 而这一次我们的测试数据选择来自NCBI的两个物种Arabidopsis halleri与Arabidopsis lyrata，这两个物种其实都有基因组公布了，各位如果有兴趣可以拿比较转录组的结果跟已发表基因组的结果做对比 ，就可以知道比较转录组的精确度如何了。 对于无参转录组的拼装评估，其实最简单的就是拿去完冗余的转录本---Unigene作为reference transcript，然后使用clean data进行回帖，统计mapping rate，然后再统计
2K10发布于 2020-09-22 空间转录组学如何推动癌症药物发现
空间转录组学的出现让研究人员能够在天然结构下观察生物标志物、空间相互作用和肿瘤转录组，帮助他们更好地鉴定潜在的药物靶点和耐药机制。1859年，达尔文提出了进化论，其中对各个地方鸟类的描述尤为经典。 空间转录组学的出现让研究人员能够在天然结构下观察生物标志物、空间相互作用和肿瘤转录组，帮助他们更好地鉴定潜在的药物靶点和耐药机制。 结果1、空间转录组学鉴定对免疫治疗有反应和无反应的HCC细胞组成差异统计耐药、敏感病人样本中的细胞组成情况后，发现在敏感病人中免疫细胞比例更高，在耐药病人中癌症细胞比例更高。 打败癌症的进化空间转录组学让科学家能够在细胞背景下了解肿瘤应答和耐药性的分子基础。 我们很高兴看到空间转录组学如何继续帮助研究人员分析患者样本，鉴定新的生物标志物和药物靶点，并向真正的个性化医疗迈进。
28010编辑于 2024-04-28课前准备----健康和疾病的空间转录组学
空间转录组学技术的快速发展加快了包括肾脏病学在内的多个领域的发现步伐。 空间转录组学技术与其他组学方法的整合，如蛋白质组学和空间表观遗传学，将进一步促进全面分子图谱的生成，并提供对动态平衡和疾病中分子成分动态关系的见解。 空间转录组学技术提供了巨大的潜力，以帮助我们了解健康和疾病状态下的生物学相关细胞组织。在过去几年中，空间转录组学技术的快速发展使得在亚细胞分辨率下对多个RNA靶点进行分子测量成为可能。 空间转录组学方法总的来说，空间转录组学技术可以分为两种主要方法:利用下一代测序的方法和基于原位成像的方法。 虽然空间转录组学分析的数据输出可能是稳健的，但如果没有正交转录组学、蛋白质组学或表观基因组学分析数据的多模式整合，它们是不完整的。需要多种模态来定义细胞的身份和功能。
42110编辑于 2024-08-05- 来自专栏简说基因
从零开始学转录组：Trinity助你轻松上手
无需参考基因组： Trinity最大的亮点之一在于它无需依赖参考基因组就能进行转录组组装。这对于那些没有参考基因组、非模式生物或基因组信息不全的物种来说，无疑是一个巨大的福音。 Genome-scale transcriptome profiling of the malaria parasite Plasmodium falciparum • 实例描述：研究人员利用Trinity对疟原虫的转录组进行了全面的分析 single cell transcriptomic atlas of the human lung across sexes and organs • 实例描述：研究人员利用Trinity对人类肺部的单细胞转录组数据进行了高效组装 Science Advances论文 • 标题：A comprehensive view of alternative splicing in plants • 实例描述：科学家们利用Trinity对多种植物的转录组数据进行了详细的分析 总结 Trinity在无参考基因组的情况下具有显著的优势，能够重建大量转录本并区分同源基因的转录本。然而，其高计算资源需求和复杂性是其主要局限性。
57910编辑于 2025-02-05 生物信息初学者教程（癌症转录组学）
欢迎大家关注全网生信学习者系列：WX公zhong号：生信学习者Xiao hong书：生信学习者知hu：生信学习者CDSN：生信学习者2介绍在生物信息学（生信）领域，随着高通量测序技术的不断发展，大量数据涌现 鉴于此，我们结合先前的项目经验，特别为初学者设计了一套基于癌症转录组数据的纯生信文章项目教程。
21400编辑于 2024-06-13- 来自专栏智能生信
. | 基因组学、蛋白质组学、转录组学、微生物组学、代谢组学、病理组学等关联关系预测：一种综合方法
目前，基因组学、蛋白质组学、转录组学、微生物组学、代谢组学、病理组学、放射组学等多组学是研究的热点之一。其中多组学数据、药物和疾病之间的关系受到了研究者们的广泛关注。 本文提出了一种综合的研究策略，即构建多组学数据的异构网络，覆盖多模态数据，并利用当前流行的计算方法进行预测。 多组学关联预测的全面描述 未来面临的挑战 本文以当前热点的生物学关联关系预测研究作为讨论。作者提出了一种可能的策略，融合大规模的多组学数据，以全面探索各种生物实体之间的关系。 放射组学的合理组合也是当前研究的热点，特别是放射组学与组织病理学和生物分子特征的对应关联问题。 3. 设计预测方法的挑战 现阶段的预测方法有很多，每一种方法都有其优缺点。 这导致了生物学意义不明显，无法说服生物学和医学工作者，以及在分析和预测疾病时，很少有对其他关系的全面分析。
1.7K20发布于 2021-08-13 - 来自专栏R语言小白
转录组 - 比对
生信技能树学习笔记 参考基因组准备 常用参考基因组 Ensembl asia.ensembl.org/index.html NCBI UCSC ## 进入参考基因组目录 mkdir -p $HOME/database /GRCh38.105 cd $HOME/database/GRCh38.105 ## 下载基因组 ## 一般选择primary assembly，没有的话可以选择toplevel nohup wget release-105/fasta/homo_sapiens/dna/Homo_sapiens.GRCh38.dna.primary_assembly.fa.gz > dna.log & ## 下载转录组序列 > 开头，序列名称&序列描述 序列中允许空格、换行、空行，直到下一个 > ，表示该序列结束 gff/gtf 文件介绍 第三列 属性的类型，gff和gtf的区别 第九列 属性的特征 Ensembl基因组数据库 ENSMUSG ENSG 人默认没有物种前缀 比对 Hisat2, Subjunc 比对内容 建索引 比对参考基因组 sam转bam Hisat2 主要参数 -x 索引文件的前缀 -1 双端测序结果的第一个文件
1.9K20编辑于 2023-03-02 - 来自专栏生信喵实验柴
空间转录组
空间转录组，也称为 spatial gene expression，简称 ST-seq，是将转录组学，单细胞测序技术以及组织切片技术结合起来的技术。 样品切片信息 切片+单细胞得到的空间转录组 二、为什么要做空间转录组？ 空间转录组将组织切片与转录组测序结合，实现空间信息和转录本信息的获取。 Visium 空间基因表达解决方案将空间转录组学技术轻松融入标准的组织切片以及 H&E 染色或免疫荧光染色方法中。 四、空间转录组建库 由于空间转录组相比于单细胞转录组多了空间信息，因此 10X Visium 的实验可以分为两个板块——组织学板块和组学板块。 组织学板块包括样品的包埋、切片、固定、染色及成像，记录切片的形态学信息；组学板块包括 cDNA 的合成、扩增、接头连接和测序，记录切片的转录本信息和空间位置信息。
4.4K21编辑于 2023-02-24 - 来自专栏用户7627119的专栏
空间转录组
近年来空间转录组技术出现在人们的视野中，由于这项技术不仅能够获得转录组的表达信息，同时还能对基因进行定位，因此受到研究者们的追捧。空间转录组技术到底是什么？它有什么用？应该怎么用？ 空间转录组技术可以帮助我们更准确的了解疾病的病理信息；空间转录组可以消除组织分离带来的偏差。 空间转录组技术无需进行组织解离，避免了在解离过程中造成的细胞损伤；空间转录组有助于异质组织中细胞类型的识别。 ? 空间转录组可以保留组织和细胞的微环境信息 三、空间转录组是怎么实现的？ 实验流程 三、空间转录组如何应用？ 整合空间转录组和单细胞转录组揭示胰腺导管腺癌的组织结构 ? 本文结合单细胞和空间转录组学，系统地绘制不同骨髓龛的分子、细胞和空间组成。 选取7497个细胞用于单细胞测序，通过激光切割获取了76个区域用于空间转录组测序。
2.4K31发布于 2020-08-06 - 来自专栏生信技能树
CROST——空间转录组学的综合数据库
Nucleic Acids Research, 52(D1), D882-D890. https://academic.oup.com/nar/article/52/D1/D882/7288834 空间转录组数据库如雨后春笋般冒出来了 最后拿到了182 个空间转录组数据集，涵盖来自 8 个不同物种（ (Homo sapiens, Mus musculus, Danio rerio, Gallus gallus, Canis lupus module: visualization, communication, cell-type colocalization, and cell-type correlation 另外分享其它实用的空间转录组数据库 spatialomics.org/SpatialDB/index.php，2019，中国科学院生物物理研究所，发表在《Nucleic acids research》，5个物种（人类、小鼠、果蝇、秀丽隐杆线虫和斑马鱼）的24个空间转录组数据集
1.1K10编辑于 2024-04-13 内容分享--使用空间转录组学解码细胞间通讯
作者，Evil Genius今天我们分享内容，很有含金量理解细胞间通讯（CCC）是空间生物学的基石，它能揭示组织微环境中的分子相互作用。 将空间转录组数据与单细胞RNA测序（scRNA-seq）数据整合计算，为解决这些限制提供了强大工具。 基因程序共变预测：整合scRNA-seq数据，通过潜在基因因子（默认3个）回归分析，推断共定位细胞间基因程序的统计学显著关联，揭示CCC的潜在调控网络，超越单基因表达层面。 NiCo（Niche Covariation）通过整合基于成像的空间转录组与匹配的scRNA-seq参考数据，在细胞类型分辨率下推断基因程序的生态位共变。 创新点在于整合全基因组scRNA-seq数据与单细胞分辨率空间转录组，避免计算且噪声高的单细胞空间映射，转而提取可解释的潜在因子（反映scRNA-seq和空间数据中的细胞状态变异），并利用这些因子推断邻近细胞类型的基因程序共变
39620编辑于 2025-08-13
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