专栏十二：单细胞空间转录组四种常见的不同整合pipline

最新推荐文章于 2024-08-13 16:36:28 发布

18kkk

最新推荐文章于 2024-08-13 16:36:28 发布

阅读量534

点赞数

分类专栏： R语言和python单细胞空间转录组绘图代码文章标签： r语言生物信息学

本文链接：https://blog.csdn.net/m0_58549466/article/details/133749876

版权

R语言和python单细胞空间转录组绘图代码专栏收录该内容

20 篇文章 27 订阅 ¥59.90 ¥99.00

订阅专栏

超级会员免费看

本文总结了单细胞空间转录组分析中常见的四种整合流程，包括normalize + anchor (CCA)、normalize + harmony、SCT + anchor以及SCT + harmony。SCT+anchor整合效果显著但可能使细胞群模糊，而harmony的整合则相对较弱，适合处理高异质性样本。

摘要由CSDN通过智能技术生成

单细胞基本的处理流程
1.去双细胞（各样本单独去）

2.合并各样本质控，也可以分别质控

3.标准化归一化与整合
基本的处理方法包括
1.normalize + anchor（CCA）
2.normalize + harmony
3.SCT + anchor
4.SCT + harmony

在这里归纳一下这四种方法。经验性的SCT+anchor整合力度强，但是可能会导致细胞群难以分开。harmony的整合力度较弱，强异质性细胞如肿瘤细胞仍然可能按照样本位置分布。

结合上文的描述，在服务器中总结

### 1.normalize + anchor

```R
###加载已经去过双细胞和QC后的merge数据
sce.all.fit

###整合normalize + anchor
#分开单个样本
MI.list <- SplitObject(sce.all.fit, split.by = "orig.ident")
#normalize
for (i in 1:length(MI.list)) {
  MI.list[[i]] <- NormalizeData(MI.list[[i]], verbose = FALSE)
  MI.list[[i]] <- FindVariableFeatures(MI.list[[i]],