生信学习
文章平均质量分 87
生信小鹏
Stay Hungry. Stay Foolish
学点python、R语言,搞点数据挖掘
专注肿瘤研究和学习
展开
-
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。原创 2023-11-01 10:44:38 · 1025 阅读 · 1 评论 -
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。原创 2023-10-20 17:06:03 · 680 阅读 · 1 评论 -
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。原创 2023-10-09 17:02:32 · 3652 阅读 · 6 评论 -
单细胞分析(七)——fastMNN数据去批次整合
使用fastMNN进行多个样本scRNA批次矫正原创 2023-10-10 10:42:46 · 837 阅读 · 1 评论 -
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。原创 2023-06-11 20:37:07 · 11158 阅读 · 6 评论 -
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。原创 2023-06-11 19:21:10 · 1373 阅读 · 0 评论 -
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。原创 2023-06-09 10:30:22 · 2280 阅读 · 0 评论 -
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。原创 2023-06-08 16:14:08 · 3625 阅读 · 7 评论 -
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。原创 2023-05-27 17:12:11 · 2906 阅读 · 4 评论 -
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。原创 2023-02-01 09:30:08 · 2767 阅读 · 8 评论