- 博客(26)
- 收藏
- 关注
RSS订阅原创 6.ArchR的可视化（3）：TF的序列标识图
2）greenleaf文中的对这一部分的描述如下：We used the cell-by-peaks and the Catalog of Inferred Sequence Binding Preferences (CIS-BP) motif (from chromVAR motifs ‘human_pwms_v1’) matches within these peaks from motifmatchr ”matchMotifs(positions=out)“可视化一段序列某个位点的保守性；
2024-04-24 10:05:53
597
原创 6.ArchR的可视化（2）：TF activity
#markerMotifs <- markerMotifs[markerMotifs %ni% "z:SREBF1_22"] 过滤掉很像但不是EBF1的Motif。> projHeme2 <- addGroupCoverages(ArchRProj=projHeme2, groupBy="celltype") #构建拟混池重复。> markerMotifs <- grep("z:", markerMotifs, value = TRUE) #用grep函数只提取对应特征的z-scores。
2024-04-23 10:15:32
694
原创 6.ArchR的可视化（1）：multiomic tracks
为了能跟模仿出greenleaf团队的形式：先看看作者在文献中的描述把：首先将片段读取到R中的GenomicRanges对象中。3) useMatrix = "TileMatrix"将鉴定对特定细胞组高度特异性的基因组区域，并useMatrix = "PeakMatrix"鉴定对特定细胞组高度特异性的峰。GRanges与IRanges相比，它可以定义序列名称，包括起始点及终止点的长度信息，正负链，或者他们的score值和GC值等；在以CD14为对象时的矩阵。100bp的平滑）每100bp可视化一次。
2024-04-21 20:03:40
738
1
原创 4.ArchR的降维-聚类（3）
2)ArchR 采用两阶段的方法进行Peak Calling:1)先用bin长度（默认为500bp）得到的TileMatrix矩阵（Bin-cell）矩阵并作聚类，2）然后把得到的每一个类中所有的Read汇总起来（PeakMatrix）做Peak Calling.这里ArchR采用了MACS2的方法。其中ArchR中Bin的长度默认为500bp得到TileMatrix矩阵,这种小的Bin能够更精确地检测到TF的结合位点或位置范围（300-500bp）最后最后，恳请走过路过的朋友们留下您们宝贵的意见。
2024-04-15 21:01:54
400
原创 4.ArchR的降维-聚类（1）
先计算一个：TF-IDF矩阵，然后输入irlba SVD,前50个SVD维度用作Seurat对象的输入，并使用Seurat的SNN图FindClusters执行初始聚类，分辨率为1.5（其中健康造血采用25个SVD）。我们发现，在某些情况下，实验之间存在批量效应，为了最小化这种影响，我们确定了初始cluster中前50000个可变的peak峰（并进行测序深度矫正的CPM转换，edgeR log(每百万计数)），使用这50000个可变峰(即PeakMatrix)对稀疏二值化矩阵进行子集，
2024-04-10 22:02:33
1697
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人