实验记录 | 7/5

（9：34）正式地坐到了实验室的电脑前，首先理一下今天要汇报给老师的基本思路，然后就是计划这周的主要任务就是要在基础知识上多下功夫（深入研究作者的那篇文章，和我这一个月一直在运行的somatic.pl的代码）。一方面为下周的汇报做准备，另一方面就是在充分的掌握好背景知识之后，才能够帮助我更好的去跑这个流程，我的决心很大。那就集中精力，去加油吧（我是单线程的生物，拒绝干扰）。

好的，现在开始。

---

首先就是上次的遗留问题，还没有进一步落实和明确的。我的数据虽然能够覆盖到作者的位点，但是存在大量的“冗余”。有发邮件问作者，作者尚未回复。
后来，我核查文章的原文，发现在随后的处理中会有比较严格的筛选的步骤，最终用于谱系追踪的位点具有很高的显著性。也就是说，虽然我们现在存在大量的冗余，但是可以保证的是，都全部覆盖了作者找出来的这些位点，那些冗余的部分在后续的步骤中可能会被筛去。

其次，就是我上周主要做的事情，就是用作者在文章中用到的这个数据运行了这个流程，目前还没有跑完，只得到部分的结果。所以，对于这部分的结果，一种验证的方式就是看作者在这里单独拎出来分析的突变，在我们的结果文件中是不是能够找到。我这里一共是有8个文件，那么发现在这里是可以部分找到，并且突变的方式是可以对应上的。

最后的话，就是唐老师的那个数据，我们假设这个数据是合理的。我首先看了一下，作者在文章中是怎样进行处理的，那么对应到securt这个包的话，用到的就是这个logNormalize这个方法。如果按照这个方法处理的话，那么在原始矩阵中的0，处理后也应该会是0。然后我对我们得到的这个数据进行了分析，发现比较有意思的结果。
我是将这个表达矩阵的表达值全部的取出来，对其出现的频数进行了统计，发现这个值出现的频数最多，且是第二名的100倍作者，约占整个表达值的70%。我们已知单细胞矩阵是一种稀疏矩阵，能够占到如此大的比例的只可能是0。然后，我再将这个数按照从小到大排了一个顺序，和我之前预想的不太一样的是，他是一系列连续的值，整个数值的区间分布是在这个值到16点几。这个值还是这组数的最小值。那么综合以上的两个方面的考虑，我比较怀疑这个值对应到原始的count矩阵中就是0。再回到前面，按照作者说的这种处理的方法的话，0经过处理之后，应该还为0。所以，对于这之间的转换关系我依然想不明白。
那么，如果接下来，假设这个值就是原来的count矩阵中的0，那么接下来，我想可以怎么处理呢？
我计算了每一个基因在这400多个细胞样本中表达值为这个值的比例。得到的是这个表格。发现有比较极端的情况，要么比值为1，要么比值接近于零，那么如果从差异表达基因的角度去考虑的话，这些基因就不是差异表达基因。那么，接下来，我看了我们感兴趣的四个marker基因的比例，接近于40~70%。符合我们的预期。最后画了这张hist图。
那么接下来，如果这个推论合理的话，我打算把这些基因表达值不为-5的细胞样本取出来，然后对其进行差异表达分析。

---

今天的事情，基本上完成了。接下来的这段时间（18：30-21：30），继续看文献。我觉得老师本身对这篇文章也并不是特别熟悉，那我现在去把这篇文献分享出来，更是非常有必要了。