- 博客(27)
- 收藏
- 关注
RSS订阅原创 大规模泛癌筛选揭示抗癌药物组合的新希望
这项研究不仅揭示了多种具有潜在临床益处的抗癌药物组合，还通过ECB概念的提出为药物组合疗效评估提供了新的视角。随着精准医疗的不断发展，这些发现有望为未来的抗癌治疗策略提供有力支持。
2024-08-24 10:07:39
516
原创 使用 Palantir 表征单细胞数据中的细胞状态概率
Palantir算法主要用于模拟细胞分化的轨迹，将细胞命运视为概率过程，并利用熵来衡量轨迹中的细胞可塑性。它生成细胞的高分辨率伪时间排序，并为每个细胞状态分配分化为每个终态的概率。要使用Palantir算法，需要提供一组分化细胞的单细胞RNA测序(scRNA-seq)数据和用户定义的“早期”细胞的表达谱。Palantir使用扩散图和最近邻图来表示表型流形，专注于发展趋势。这种方法旨在有效捕捉分化轨迹。算法构建了一个马尔可夫链来模拟分化作为一个随机过程，推断出终态，并计算每个细胞到达这些终态的分支概率。
2024-01-04 20:09:03
1806
原创 单细胞RNA速率（RNA velocity）
是单个细胞状态的有力指标。单细胞 RNA 测序可以以高定量精度、灵敏度和通量揭示 RNA 丰度。然而，这种方法，这对分析胚胎发生或组织再生等时间分辨现象提出了挑战。在这里，我们表明，RNA 速度（RNA velocity）（）可以通过。RNA 速度是一种高维向量，可以预测单个细胞在数小时的时间尺度上的未来状态。我们验证了其在神经嵴谱系中的准确性，展示了其在多个已发表的数据集和技术平台上的使用，揭示了发育中的小鼠海马体的分支谱系树，并检查了人类胚胎大脑中的转录动力学。我们预计，特别是在人类中。
2024-01-02 09:57:03
2674
原创 SCENIC+：增强子和基因调控网络的单细胞多组学推理
提出了一种用于推理增强器驱动的 GRN 的方法，称为SCENIC+。SCENIC+预测基因组增强子以及候选上游转录因子 (TF)，并将这些增强子与候选目标基因联系起来。
2023-12-28 22:42:55
2623
原创 GRNdb：解码不同人类和小鼠条件下的基因调控网络
由转录因子（TF）及其下游靶基因形成的基因调控网络（GRN）在基因表达调控中发挥着重要作用。此外，GRN 可以在不同条件下动态变化，这对于理解疾病发病机制的潜在机制至关重要。然而，现有的数据库还没有提供单细胞水平上各种人类和小鼠正常组织和疾病的全面GRN信息。基于已知的TF-靶点关系和从公共数据库收集的大规模单细胞RNAseq数据以及癌症基因组图谱和基因型组织表达项目的大量数据，我们系统地预测了184种不同生理学的GRN。
2023-12-26 18:29:45
1081
原创 用于单细胞基因调控网络分析（GRN）的SCENIC 工作流程
这个protocol解释了如何使用软件容器和Nextflow 管道对单细胞 RNA 测序数据执行快速 SCENIC 分析以及标准最佳实践步骤。SCENIC 重建调节子（即转录因子及其目标基因），评估单个细胞中这些发现的调节子的活性，并使用这些细胞活动模式来寻找有意义的细胞簇。在这里，我们展示了 SCENIC 的改进版本，具有多项进步。SCENIC 已经用进行了重构和重新实现，速度提高了十倍，并且已打包到容器中以方便使用。现在还可以使用表观基因组轨迹数据库以及基序来完善调节子。
2023-12-23 18:41:19
2071
原创 scenic：单细胞调控网络推理和聚类
我们提出了scenery，一种用于从单细胞 rna-seq 数据中同时进行基因调控网络重建和细胞状态识别的计算方法 (http://scenic.aertslab.org)。根据肿瘤和大脑的单细胞数据概要，我们证明顺式调控分析可用于指导转录因子和细胞状态的识别。scenic为驱动细胞异质性的机制提供了重要的生物学见解。细胞的转录状态产生于潜在的基因调控网络（GRN），其中有限数量的转录因子（TF）和辅因子相互调节及其下游靶基因。
2023-12-22 10:30:43
1790
原创 基因调控网络重建：利用单细胞多组学数据
推断基因调控网络（GRN）是生物学中的一项基本挑战，旨在揭示基因与其调控因子之间的复杂关系。破译这些网络对于理解驱动许多细胞过程和疾病的潜在调控串扰起着至关重要的作用。测序技术的最新进展促进了最先进的 GRN 推理方法的发展，这些方法利用匹配的单细胞多组学数据。通过采用不同的数学和统计方法，这些方法旨在重建更全面、更精确的基因调控网络。在这篇综述中，我们简要概述了GRN 推理方法中常用的统计和方法基础。然后，我们比较和对比单细胞匹配多组学数据的最新最先进的 GRN 推理方法，并讨论它们的假设、局限性和机会。
2023-12-21 10:20:43
1802
1
原创 单细胞多组学时代的基因调控网络推理
作为 TF 结合基序数据库由于 TF 的覆盖范围不同，并且预测算法以不同的方式对绑定进行建模，因此即使使用相似的建模策略，GRN 推理方法之间的结果也可能会有所不同。频率主义方法将事件的概率定义为该事件在大量相同实验中发生的次数的比例，而贝叶斯概率将其定义为基于观察到的数据和先前的数据对所述事件发生的置信度的度量信息。GRN 中的相互作用可以是有向的或无向的（分别表示基因之间的因果关系或缺乏因果关系）、有符号的（表示正向或负向的调节模式）和/或加权的（表示相互作用的强度）。
2023-12-20 11:53:47
1628
2
原创 单细胞分析（九）——使用sctransform函数标准化
单细胞 RNA-seq 数据的生物异质性常常受到测序深度等技术因素的影响。每个细胞中检测到的分子数量在细胞之间可能存在显着差异，即使在同一细胞类型内也是如此。scRNA-seq 数据的解释需要有效的预处理和标准化，以消除这种技术变异性。
2023-11-01 10:44:38
1832
1
原创 单细胞分析（八）——几种去批次整合方法
批次效应来自于样本之间的技术差异。通过良好的实验设计通常可以避免这种情况。当它不能时，有一些计算方法可以提供帮助。
2023-10-20 17:06:03
1175
1
原创 单细胞分析（六）——使用seurat进行去批次整合
对两个或多个单细胞数据集的联合分析带来了独特的挑战。特别是，在标准工作流程下，识别存在于多个数据集中的细胞群可能会有问题。Seurat有包括一组跨数据集match（或“align”）共有细胞群的方法。这些方法首先识别处于匹配生物学状态（“anchors”）的跨数据集细胞对，既可用于校正数据集之间的技术差异（即批量效应校正），也可用于跨实验条件的比较scRNA-seq分析。
2023-10-09 17:02:32
6168
8
原创 单细胞分析（五）——使用Harmony进行数据整合和去批次
为了保证单细胞RNA测序数据的准确性和可靠性，需要对数据进行样本去批次处理。去批次的方法包括Harmony，SeuratV3等，这些方法可以有效地消除批次效应和技术噪声，并提高单细胞RNA测序数据的质量，为后续的数据分析提供更加可靠的基础。
2023-06-11 20:37:07
16195
6
原创 单细胞分析（四）——数据读入
在10X Genomics的单细胞测序中，每一个细胞都被分配一个唯一的barcode，用于标记该细胞所产生的所有reads。在10X Genomics的分析流程中，feature的信息可以通过基因或转录本的参考基因组或转录组进行获取。用户可以通过提供自己的参考基因组或转录组等方式，来获得更具有自定义性的feature信息，从而实现更加精细化的分析。要做单细胞分析，尤其是从公司拿回数据，或者从公共数据库下载的数据，看起来眼花缭乱的分析结果，首先第一步就是要把数据先读入，才能有后续的结果和分析。
2023-06-11 19:21:10
1817
原创 单细胞分析（三）——细胞分群单独展示
大部分单细胞分析，以及seurat package这个包给出的示例，不能一下子展现出个人的研究重点细胞族群。那如果只是展示某一类细胞在降维分析图中的位置，如何操作。
2023-06-09 10:30:22
3331
原创 单细胞分析（二）——细胞注释（SingleR自动注释）
单细胞分析数据后，得到族群后，如何将族群进行细胞名称注释是重要的步骤。这里使用SingleR 进行简单的自动注释。
2023-06-08 16:14:08
6304
7
原创 单细胞分析（一）——seurat包单个样本处理
在这个教程中，主要将分析 10X Genomics 免费提供的外周血单核细胞 (PBMC) 数据集。
2023-05-27 17:12:11
5029
4
原创 科研绘图——upset展示更复杂的交集情况
将几个数据集之间的交集进行可视化，除了可以利用Venn图外，还可以使用upset这种图形。这种方法是发表在2014年nature methods上面。
2023-02-03 23:37:50
2548
原创 IMvigor210CoreBiologies的安装以及数据获取
关于IMvigor210CoreBiologies包的使用和安装，在原文中都进行了介绍。但是原作者的说明文档已经是18年的内容，随着R版本的更新和变化，安装过程总有一些问题出现。结合这个package的内容和其他文章，进行一个学习和总结。
2023-02-01 09:30:08
3176
8
原创 【R语言科研绘图】——韦恩图
比较经典的韦恩图是使用venndiagram作图，但是缺点是不能使用pdf导出图形，对后期组图带来麻烦。基于ggplot2的ggVennDiagram这个package就能方便导出pdf，以利于后期组图，绘制符合杂志社要求的图片。
2022-09-27 20:08:10
6771
原创 R for Data Science ---数据变换（创建新的变量）
创建新变量mutate动词的使用transmute()函数使用mutate的其他用法rename的使用tidy流处理数据的方便，我想这与管道符%>% 的使用，数据处理动词化，有着很重要的关系。用最少的时间，解决最重要的、最常见的问题，从而提高效率，剩余的难点，可以在遇到问题的时候，重点突破。mutate动词的使用首先需要明确的是mutate是在原有的变量基础上，再创造相关变量，保留原来的变量。在这个基础之上，展开实战flights_sml <- select(flight
2022-03-28 21:34:21
694
原创 【R tidyverse】 select动词的使用
R tidyversetidyverse select动词的使用1. 数据样式2. 筛选数据3. 拓展1（布尔运算）“!" 运算符否定选择：“&” 和 “|” 取两个选择的交集或并集：组合使用4. 拓展2结合函数 last_col()结合函数 everything() 函数与starts_with()函数结合与ends_with()函数结合与contains()函数结合与 matches()函数结合结合where()函数结合which()函数tidy流处理数据越来越流行，我想这与管道符%>
2022-02-20 17:48:26
815
1
原创 R for Data Science（笔记） ---数据变换（select基础使用）
tidy流处理数据在科研中使用比较充分，我想这与管道符%>% 的使用，数据处理动词化，有着很重要的关系。用最少的时间，解决最重要的、最常见的问题，我把这称为是高效；剩余的难点，我把其称为提高。select动词的使用首先需要明确的是filter针对的是行的操作， select是针对列的操作前面学习filter的操作，这次学习select操作###实战再次强调，select是通过列名进行筛选，并且列名不需要加引号。###1. 数据样式依然采用nycflights13 包中的数.
2021-08-22 15:02:57
185
原创 R for Data Science（笔记） ---数据变换（filter使用）
tidy流处理数据越来越流行，我想这与管道符%>% 的使用，数据处理动词化，有着很重要的关系。用最少的时间，解决最重要的、最常见的问题，我把这称为是高效；剩余的难点，我把其称为提高。filter动词的使用首先需要明确的是filter针对的是行的操作， select是针对列的操作在这个基础之上，展开实战使用nycflights13 包中的数据进行演示###1. 单独提出某一行观察数据特点flights#> # A tibble: 336,776 x 19#>.
2021-07-03 11:31:25
160
HumanPrimaryCellAtlas-hpca.se-human.RData 单细胞singleR注释参考图谱
2023-11-20
IMvigor210CoreBiologies安装包+数据
2023-02-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人