【scMetabolism】一站式代谢通路基因集打分

最新推荐文章于 2024-06-15 09:30:55 发布
最新推荐文章于 2024-06-15 09:30:55 发布
阅读量2k 收藏 3
点赞数
分类专栏： 单细胞代谢 文章标签： r语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DerekRusso/article/details/124405194
版权 
install.packages(c("devtools", "data.table", "wesanderson", "Seurat", "devtools", "AUCell", "GSEABase", "GSVA", "ggplot2","rsvd"))

devtools::install_github("YosefLab/VISION")
devtools::install_github("wu-yc/scMetabolism")
load(file = "pbmc_demo.rda")

library(scMetabolism)
library(ggplot2)
library(rsvd)

quantify single cell metabolism in seurat

countexp.Seurat<-sc.metabolism.Seurat(obj = countexp.Seurat, method = "VISION", imputation = F, ncores = 2, metabolism.type = "KEGG")

metabolism.matrix <- countexp.Seurat@assays$METABOLISM$score

 dimplot


                

        

        

    




        

            

                    
                      最低0.47元/天 解锁文章
                        
                    
            

        

    

      

        

            

              
                
                  DerekRusso
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                      0
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    3
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          










                



	

		

			

				
					
SCMA：单细胞代谢组学分析

				
			

			

				

					02-24
				

			

		

		

			
				
SCMA：单细胞代谢组学分析
安装
从PyPI安装
python -m pip install --index-url https://test.pypi.org/simple/ --no-deps scma==0.1.1
从GitHub安装
git clone https://github.com/tkisss/SCMA.git
cd SCMA
python setup.py install
快速开始
命令行
scma.py -f INPUT_FILE -o OUTPUT_PATH
INPUT_FILE: file of single-cell metabolomics, each two columns are a group which contains the ratio of nuclear to mass and its signal value, cell names sho

			
		

	



                

              
                



	

		

			

				
					
修改scMetabolism中的sc.metabolism.Seurat函数

				
			

			

				

					zyt18130132的博客
				

				

					05-10
					
					870
					
				

			

		

		

			
				
修改GitHub源码的流程一般是：克隆仓库到本地，在 Rstudio 中新建项目 选择 R 包，然后选择你克隆下来的文件夹；在弹出的页面会发现一个Code，点击Code，会出现一个网址，复制一下这个网址，下面克隆的时候用得着。那么重点来了，我们已经知道了要具体修改哪句源码，以及修改成什么样子，但是我们要让我们的R包也修改了呀，要怎么办呢？打开红框里面的函数这个函数就是我们要修改的，然后对要修改的代码进行修改，修改好了点击保存。然后打开服务器，在自己的文件夹下面创建一个文件，我创建的文件名是。

			
		

	



                


  
              

                


	

		

			

				
					
**探索单细胞转录组数据的新视角 —— VISION**

					
最新发布

				
			

			

				

					gitblog_00054的博客
				

				

					06-15
					
					506
					
				

			

		

		

			
				
探索单细胞转录组数据的新视角 —— VISION
项目地址:https://gitcode.com/YosefLab/VISION

在复杂的生物学研究前沿，单细胞RNA测序（scRNA-seq）已成为理解细胞异质性和生物过程的强大力量。然而，海量的数据背后隐藏的意义如何解读？VISION——由Yosef Lab开发的功能性解释工具，正是为此而生。本文将带你深入了解VISION，探索其技术核心，应...

			
		

	





	

		

			

				
					
scMetabolism：一个简单的单细胞代谢分析R包

				
			

			

				

					qq_42090739的博客
				

				

					06-13
					
					1273
					
				

			

		

		

			
				
最近微信群有小伙伴说想让出一期scMetabolism单细胞代谢，之前我也接触过这个R包，其实非常简单，而且这个R包不是很完善，也有很大的局限性，例如只能做人的，其他物种的需要同源转化。之后做小鼠的，只需要source这个函数，依据代码就完成了。这个包其实很简单也没有什么好说的了，可能有些小伙伴的mouse数据做的时候还是会出错，需要自己去修改函数了哦。人的数据分析很简单，主要的问题是别的物种，需要同源转化，这里我们演示小鼠的，直接将同源转化和代谢分析包装在一个简单的函数里面，运行就可以得到分析结果了。

			
		

	



		

			
		



	

		

			

				
					
MSigDB数据库

				
			

			

				

					weixin_59289660的博客
				

				

					08-05
					
					7496
					
				

			

		

		

			
				
包括H（hallmarker gene sets）、C1（positional gene sets）、C2（curated gene sets）等。分子特征数据库 (MSigDB) 是一个收录了带有注释的基因集的数据库，可与 GSEA 软件一起使用。1、在“Search Gene Sets”界面“Keywords”框中输入关键词，如“lactate”3、使用R包clusterProfiler读取.gmt文件。2、选中所需的基因集，并选择导出.gmt文件。MSigDB中的所有基因集被划分为。.........

			
		

	





	

		

			

				
					
MSigDB:基因集数据库

				
			

			

				

					庐州月光的博客
				

				

					11-05
					
					1万+
					
				

			

		

		

			
				
欢迎关注微信公众号《生信修炼手册》!
Gene Set Enrichment Analysis，中文名称为基因集富集分析，是由Broad Institute研究所的科学家提出的一种富集方法，在提出该方法的同时还对应提供了分析的软件GSEA和一个基因集数据库MSigdb。本章主要介绍这个数据库，官网如下

http://software.broadinstitute.org/gsea/msigdb/...

			
		

	





	

		

			

				
					
单基因gsea_GSEA：基因集富集分析和ssGSEA:单样本基因集富集分析

				
			

			

				

					weixin_39907289的博客
				

				

					11-21
					
					7778
					
				

			

		

		

			
				
传统富集分析(基于超几何分布或者Fisher精确检验)：关注一列差异基因是否是随机分布在某一感兴趣的基因集中(某通路的基因)得到通路富集的结果时：(1)、一条通路中既有上调基因又有下调基因，无法确定这条通路总体的表现形式(是抑制还是激活)将上调和下调的差异基因分开进行分析。(1)这样分析会对结果产生偏倚，因为Fisher精确检验就是想要证明整个差异基因列表不是抽样得到的，如果将上下调基因...

			
		

	





	

		

			

				
					
小鼠基因组研究的数据集，用于30个小鼠基因敲除队列的综合血浆代谢组学数据集.zip

				
			

			

				

					02-26
				

			

		

		

			
				
该数据集是针对小鼠基因组研究的，特别关注30个不同小鼠基因敲除队列的血浆代谢组学。在这个压缩包中，包含了多个Excel文件，每个文件都有其特定用途，提供了丰富的信息来支持对小鼠基因功能、代谢变化以及基因敲除...

			
		

	





	

		

			

				
					
GenMapp基因芯片通路分析

				
			

			

				

					02-21
				

			

		

		

			
				
GenMAPP是研究基因表达的软件，目前已经得到了广泛的应用，可以用这个软件分析转录组数据，然后画出几条通路出来。

			
		

	





	

		

			

				
					
直流通路下的共射、共集、共基放大电路分析

				
			

			

				

					07-20
				

			

		

		

			
				
本文介绍了直流通路下的共射、共集、共基放大电路分析。

			
		

	





	

		

			

				
					
一种基于突变基因网络的癌症驱动通路识别算法

				
			

			

				

					04-01
				

			

		

		

			
				
一种基于突变基因网络的癌症驱动通路识别算法

			
		

	





	

		

			

				
					
代谢网络中的通路敲除和冗余

				
			

			

				

					03-01
				

			

		

		

			
				
 在这里，我们提出了一种基于基本通量模式（EFM）分析的代谢基因网络中冗余度定量改进方法的通路剔除算法。 提议的冗余度量基于在无干扰状态下敲除一个EFM后剩余EFM的平均比率。 我们用四个示例系统演示了我们的算法...

			
		

	





	

		

			

				
					
分子特征数据库R包msigdb

				
			

			

				

					qq_27390023的博客
				

				

					12-31
					
					2833
					
				

			

		

		

			
				
msigdb软件包在R可访问对象中提供分子特征数据库（MSigDB）。分子特征集存储在GSEABase包的GeneSet类对象中，整个数据库存储在GeneSetCollection对象中。然后，这些数据将托管在ExperimentHub上。本文件包中使用的数据来自Broad Institute的MSigDB。每个基因集的元数据与基因集一起存储在基因集类对象中。

GSEA | MSigDB

H
			hallmark gene setsare coherently expressed signatur..

			
		

	





	

		

			

				
					
一文掌握GSEA富集分析-最详细教程

					
热门推荐

				
			

			

				

					悟道西方
				

				

					04-26
					
					5万+
					
				

			

		

		

			
				
之前总结了一篇关于GSEA富集分析的推文——《GSEA富集分析 - 界面操作》，大略介绍了GSEA的定义、GSEA原理、GSEA分析、Leading-edge分析等，不太了解的朋友可以点击阅读先理解下概念。
最近用自己数据实战分析时用到了该方法，故将一些之前遗漏的点补充整理出来分享给大家。
从前文中我们了解到GSEA分析的目的是要判断S集基因（基于先验知识的基因注释信息）中的基因是随机分布还是聚集...

			
		

	





	

		

			

				
					
基因集合打分不考虑基因高低表达 基因集合评分不考虑高低表达 绝对值 基因集合里面的正负表达影响addmodulescore的结果 构建的基因集进行评分时 基因的高低正负表达基因集合评分不考虑高低表达

				
			

			

				

					生信小博士的博客
				

				

					10-12
					
					825
					
				

			

		

		

			
				
若p=1，则Phit的分母为基因集S中所有基因与性状的关联强度之和，基因集S中每个基因与该性状的关联都对该和进行标准化处理。S3：基因集S3非随机分布，但也并不在top or bottom呈现集中分布模式，ES值较高，但p值不显著。图例：①Phit= 基因集S中的加权和，Pmiss = 非基因集S中的加权和。S1：基因集S1主要分布在排序列表的top端，ES分值较高，p值显著；S2：基因集S2在排序列表中随机分布，ES值低，p值不显著；因此，富集分析的结果结果，要综合考虑p值及ES值两个指标。

			
		

	





	

		

			

				
					
利用KEGGREST包提取所有代谢相关的基因

				
			

			

				

					arrhythmia08的博客
				

				

					05-19
					
					2119
					
				

			

		

		

			
				
KEGG上的基因数量和通路数量都是不断更新的，所以KEGGREST包能提取的基因数量也在不断变化。我去年运行的时候总基因8192个，现在已经有8443个了，以后也会不断增加。KEGG官网上也有少量的代谢通路不以00开头，以01开头。数量太少，且不是重要的通路，所以我省略了。想要提取更全的基因基的朋友可以自己加上。写笔记主要是为了自己进步，也是方便自己查看。R语言新手，如有不对请指正。

			
		

	





	

		

			

				
					
整理NAD+代谢相关基因

				
			

			

				

					庐州月光的博客
				

				

					04-18
					
					3792
					
				

			

		

		

			
				
欢迎关注”生信修炼手册”!在ALS患者NAD+基因预后模型的文献中，提供了NAD+代谢相关基因的集合来自KEGG和Reactome两个数据库，本文主要介绍下从这两个数据库获取基因列表的方法1. KEGG在该数据库中，代谢通路hsa00760表示烟酸和烟酰胺代谢通路，链接如下https://www.genome.jp/dbget-bin/www_bget?pathway+h...

			
		

	





	

		

			

				
					
SCS【24】单细胞数据量化代谢的计算方法 (scMetabolism)

				
			

			

				

					weixin_41368414的博客
				

				

					05-11
					
					846
					
				

			

		

		

			
				
桓峰基因公众号推出单细胞生信分析教程并配有视频在线教程，目前整理出来的相关教程目录如下：Topic 6. 克隆进化之 CanopyTopic 7. 克隆进化之 CardelinoTopic 8. 克隆进化之 RobustCloneSCS【1】今天开启单细胞之旅，述说单细胞测序的前世今生SCS【2】单细胞转录组 之 cellrangerSCS【3】单细胞转录组数据 GEO 下载及读取SCS【4】单细...

			
		

	





	

		

			

				
					
Linux centos 安装metasploit(就两步)

				
			

			

				

					FY10033的博客
				

				

					07-03
					
					687
					
				

			

		

		

			
				
一.切换目录至/opt
cd /opt
二.使用命令
curl https://raw.githubusercontent.com/rapid7/metasploit-omnibus/master/config/templates/metasploit-framework-wrappers/msfupdate.erb > msfinstall && chmod 755 msfinstall && ./msfinstall

然后就自动安装啦,其他的不用管了


...

			
		

	





	

		

			

				
					
写一段通路中基因打分函数

				
			

			

				

					05-30
				

			

		

		

			
				
通路中基因打分函数可以用于评估基因在指定通路中的重要性和贡献程度。以下是一个简单的基因打分函数的示例，其中使用了基因表达数据和通路数据库：

```python
import numpy as np
import pandas as pd
from bioservices import KEGG

# 定义通路中基因打分函数
def gene_score(pathway_id, gene, gene_expr, kegg_db):
    # 从KEGG数据库中获取基因通路信息
    genes, _, _, _, _, _ = kegg_db.get(pathway_id)
    genes = [g.split(':')[1] for g in genes]
    
    # 计算基因表达数据的平均值
    avg_expr = gene_expr[gene].mean()
    
    # 计算基因表达数据的标准差
    std_expr = gene_expr[gene].std()
    
    # 计算基因表达数据的标准分
    z_score = (gene_expr[gene] - avg_expr) / std_expr
    
    # 计算基因在通路中的得分
    gene_score = np.mean(z_score)
    
    return gene_score
```

该函数的输入参数包括基因通路ID、基因名称、基因表达数据和KEGG通路数据库。函数首先从KEGG数据库中获取指定基因通路的基因列表，然后计算指定基因的基因表达数据的平均值和标准差。接下来，函数计算指定基因的基因表达数据的标准分，并计算基因在通路中的得分，最后将得分作为函数的输出返回。

在实际应用中，可以使用该函数对多个基因进行评价，并比较它们之间的得分来确定在指定通路中最重要的基因。

			
		

	



              



  
“相关推荐”对你有帮助么？

  

      
    
          
  • 
              
    
                  
                  
              
    
              
    非常没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    一般
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    有帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    非常有帮助
    
          
    • 
      

      

      

          
          提交
      

      

  




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值