SCS 42. 基于单细胞转录组表型数据构建临床预测模型 (Sicssor)

最新推荐文章于 2024-08-16 08:31:50 发布
最新推荐文章于 2024-08-16 08:31:50 发布
阅读量1.6k 收藏 14
点赞数 12
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41368414/article/details/140543711
版权

497ecce2e8c7683f7578a9b4fa932e51.png

简 介

单细胞RNA测序(scRNA-seq)在异质组织中区分细胞类型、状态和谱系。然而，目前的单细胞数据不能直接将细胞簇与特定表型联系起来。在这里，我们提出Scissor方法，从单细胞数据中识别与给定表型相关的细胞亚群。Scissor通过首先量化每个单细胞和每个大样本之间的相似性，整合了表型相关的大样本表达数据和单细胞数据。然后，优化了与样本表型相关矩阵的回归模型，以确定相关的亚群。将Scissor应用于肺癌scRNA-seq数据集，确定了与生存率较差 和TP53突变相关的细胞亚群。在黑色素瘤中，Scissor发现了与免疫治疗反应相关的低PDCD1/CTLA4和高TCF7表达的T细胞亚群。除癌症外，Scissor在解释面部肩胛骨肌肉萎缩症和阿尔茨海默病数据集方面也很有效。Scissor通过利用表型和大体积组学数据集，从单细胞分析中识别生物学和临床相关的细胞亚群。

5d292a2fcbf130253f4af7acfd0a38ab.png

Sicssor包含拟议的Sicssor算法(Sicssor功能)，这是一种新的单细胞数据分析方法，利用大量表型从单细胞测序数据中识别最高度表型相关的细胞亚群。Sicssor的优势可以简单概括如下:

首先，通过Sicssor识别的表型相关细胞具有独特的分子特性，涉及到关键的标记基因和给定表型的生物学过程。

其次，Scissor不需要对单细胞数据进行任何无监督聚类，从而避免了对细胞簇数或聚类分辨率的主观决定。

最后，Scissor提供了一个灵活的框架来整合大量数据中的各种外部表型，以指导单细胞数据分析，从而实现临床和生物学相关细胞亚群的无假设鉴定。

bf058d2981a4e39f8b3e3b532214a273.png

软件包安装

软件包安装非常简单，

if(!require(Scissor))
  devtools::install_github('sunduanchen/Scissor')

但是要注意以下里面依赖的Seurat软件包，因为我安装的是V5+版的，所以在读取对象的时候显示Assay5,因此需要object的class 为 Assay,按照如下代码加入options()。

library(Scissor)
library(Seurat)
options(Seurat.object.assay.version = "v3")

数据读取

Scissor输入有三个数据源:单细胞表达矩阵、批量表达矩阵和感兴趣的表型。每个大样本的表型注释可以是一个连续的因变量，二元组指标载体，或临床生存数据。我们使用肺腺癌(LUAD) scRNA-seq癌细胞的几个应用数据作为示例来展示如何在实际应用中执行Scissor。

数据源需要三种类型数据：

  1. 单细胞数据：count矩阵或者Seurat创建的object；

  2. bulk转录组数据：表达矩阵

  3. 临床信息数据：cox回归要求必须有time和status，其他两种不需要

看下例子中的数据格式：

1. 单细胞数据：

准备原始count矩阵，如下：

location <- "https://xialab.s3-us-west-2.amazonaws.com/Duanchen/Scissor_data/"
load(url(paste0(location, 'scRNA-seq.RData')))
dim(sc_dataset)
## [1] 33694  4102
class(sc_dataset)
## [1] "matrix" "array"

利用Seurat_preprocessing()对原始矩阵进行处理，包括"RNA"、"RNA_nn"、"RNA_snn"、"pca"、"tsne"、"umap"。详细流程如下：

  • Create a Seurat object from raw data.

  • Normalize the count data present in a given assay.

  • Identify the variable features.

  • Scales and centers features in the dataset.

  • Run a PCA dimensionality reduction.

  • Constructs a Shared Nearest Neighbor (SNN) Graph for a given dataset.

  • Identify clusters of cells by a shared nearest neighbor (SNN) modularity optimization based clustering algorithm.

  • Run t-distributed Stochastic Neighbor Embedding (t-SNE) dimensionality reduction on selected features.

  • Runs the Uniform Manifold Approximation and Projection (UMAP) dimensional reduction technique.

sc_dataset <- Seurat_preprocessing(sc_dataset, verbose = F)
## Warning: The default method for RunUMAP has changed from calling Python UMAP via reticulate to the R-native UWOT using the cosine metric
## To use Python UMAP via reticulate, set umap.method to 'umap-learn' and metric to 'correlation'
## This message will be shown once per session
names(sc_dataset)
## [1] "RNA"     "RNA_nn"  "RNA_snn" "pca"     "tsne"    "umap"
DimPlot(sc_dataset, reduction = 'umap', label = T, label.size = 10)

011547c843c24d05de9a413d86bc8c7d.png

2. bulk转录组数据
load(url(paste0(location, 'TCGA_LUAD_exp1.RData')))
dim(bulk_dataset)
## [1] 56716   471
bulk_dataset[1:5,1:5]
##          TCGA-05-4249 TCGA-05-4250 TCGA-05-4382 TCGA-05-4384 TCGA-05-4389
## TSPAN6      57.523977   66.4940573    30.905120    35.104344 107.71744400
## TNMD         0.000000    0.1748819     0.000000     0.000000   0.03309504
## DPM1        98.838134  135.2046911    84.362971    89.105535  98.17846534
## SCYL3       16.233391    6.0050820     6.226792    16.930497   9.97072687
## C1orf112     5.139334    7.4082268     4.778406     4.139623   7.59910156
3. 临床信息数据

a) 临床生存数据

load(url(paste0(location, 'TCGA_LUAD_survival.RData')))
dim(bulk_survival)
## [1] 471   3
head(bulk_survival)
##   TCGA_patient_barcode OS_time Status
## 1         TCGA-05-4249    1158      0
## 2         TCGA-05-4250     121      1
## 3         TCGA-05-4382     607      0
## 4         TCGA-05-4384     426      0
## 5         TCGA-05-4389    1369      0
## 6         TCGA-05-4390    1126      0
all(colnames(bulk_dataset) == bulk_survival$TCGA_patient_barcode)
## [1] TRUE
phenotype <- bulk_survival[,2:3]
colnames(phenotype) <- c("time", "status")
head(phenotype)
##   time status
## 1 1158      0
## 2  121      1
## 3  607      0
## 4  426      0
## 5 1369      0
## 6 1126      0

实例操作

Scissor可以支持三种模型的构建，一种是Cox回归模型，一种是logistic回归模型，另一种是gaussian模型。由family = c("gaussian", "binomial", "cox"),参数控制模型算法：

Scissor(
  bulk_dataset,
  sc_dataset,
  phenotype,
  tag = NULL,
  alpha = NULL,
  cutoff = 0.2,
  family = c("gaussian", "binomial", "cox"),
  Save_file = "Scissor_inputs.RData",
  Load_file = NULL
)

Scissor应用与Cox回归模型

1) 执行Scissor()选择表型相关细胞

执行Scissor()选择表型相关的细胞亚群。

infos1 <- Scissor(bulk_dataset, 
                  sc_dataset, 
                  phenotype, 
                  alpha = 0.05, 
                  family = "cox", 
                  Save_file = 'Scissor_LUAD_survival.RData')
## [1] "|**************************************************|"
## [1] "Performing quality-check for the correlations"
## [1] "The five-number summary of correlations:"
##         0%        25%        50%        75%       100% 
## 0.01319134 0.19658357 0.23945759 0.29808510 0.83727807 
## [1] "|**************************************************|"
## [1] "Perform cox regression on the given clinical outcomes:"
## [1] "alpha = 0.05"
## [1] "Scissor identified 201 Scissor+ cells and 4 Scissor- cells."
## [1] "The percentage of selected cell is: 4.998%"
## [1] "|**************************************************|"

总的来说，Scissor鉴定出201个与较差存活率相关的Scissor+cells和4个与良好存活率相关的Scissor- cells。这些选定的细胞占总数4102个细胞的5%。通过在Seurat对象sc_dataset中添加一个新的注释来可视化Scissor选择的细胞。

names(infos1)
## [1] "para"        "Coefs"       "Scissor_pos" "Scissor_neg"
length(infos1$Scissor_pos)
## [1] 201
infos1$Scissor_pos[1:4]
## [1] "AAAGTAGAGGAGCGAG_19" "AACCATGCATCTCCCA_19" "AACCGCGAGCTGCGAA_20"
## [4] "AACTCAGTCCGCGGTA_19"
length(infos1$Scissor_neg)
## [1] 4
infos1$Scissor_neg
## [1] "ACGCCAGTCCTCCTAG_20" "ACGGGCTAGTGGCACA_20" "CCGGTAGGTACCCAAT_15"
## [4] "GACGCGTAGTGGTCCC_20"
Scissor_select <- rep(0, ncol(sc_dataset))
names(Scissor_select) <- colnames(sc_dataset)
Scissor_select[infos1$Scissor_pos] <- 1
Scissor_select[infos1$Scissor_neg] <- 2
sc_dataset <- AddMetaData(sc_dataset, metadata = Scissor_select, col.name = "scissor")
infos1$para
## $alpha
## [1] 0.05
## 
## $lambda
## [1] 0.04229243
## 
## $family
## [1] "cox"
DimPlot(sc_dataset, reduction = 'umap', group.by = 'scissor', cols = c('grey','indianred1','royalblue'), pt.size = 1.2, order = c(2,1))

601a2e45690f9aa94e151644590ddb36.png

2) 调整模型参数

在上述实现中，我们将参数α设置为0.05 (alpha = 0.05)。参数α平衡l1规范和基于网络的惩罚的效果。较大的α倾向于强调l1规范以鼓励稀疏性，使得Scissor选择的细胞比使用较小α的结果少。

##Tune model paramters
infos2 <- Scissor(bulk_dataset, 
                  sc_dataset, 
                  phenotype, 
                  alpha = NULL, 
                  cutoff = 0.03, 
                  family = "cox", 
                  Load_file = 'Scissor_LUAD_survival.RData')
## [1] "alpha = 0.005"
## [1] "Scissor identified 887 Scissor+ cells and 28 Scissor- cells."
## [1] "The percentage of selected cell is: 22.306%"
## 
## [1] "alpha = 0.01"
## [1] "Scissor identified 573 Scissor+ cells and 20 Scissor- cells."
## [1] "The percentage of selected cell is: 14.456%"
## 
## [1] "alpha = 0.05"
## [1] "Scissor identified 201 Scissor+ cells and 4 Scissor- cells."
## [1] "The percentage of selected cell is: 4.998%"
## 
## [1] "alpha = 0.1"
## [1] "Scissor identified 139 Scissor+ cells and 5 Scissor- cells."
## [1] "The percentage of selected cell is: 3.510%"
## 
## [1] "alpha = 0.2"
## [1] "Scissor identified 78 Scissor+ cells and 5 Scissor- cells."
## [1] "The percentage of selected cell is: 2.023%"
## [1] "|**************************************************|"

在上面的实现中，我们设置了一个新的百分比截断(cutoff = 0.03)，当所选细胞的总百分比小于3%时，停止α搜索。对应的α = 0.2，选择了78个Scissor+ cells和5个Scissor- cells。为了避免在实际应用中任意选择alpha，建议根据所选细胞在总细胞中的百分比来搜索α。cut的默认值为0.2，即Scissor选择的细胞数量不应超过单个细胞数据中总细胞的20%。此外，用户可以设置自定义的α序列和百分比截止，以实现不同的目标

infos3 <- Scissor(bulk_dataset, 
                  sc_dataset, 
                  phenotype, 
                  alpha = seq(1,10,2)/1000, 
                  cutoff = 0.2,
                  family = "cox", 
                  Load_file = 'Scissor_LUAD_survival.RData')
## [1] "alpha = 0.001"
## [1] "Scissor identified 1663 Scissor+ cells and 1870 Scissor- cells."
## [1] "The percentage of selected cell is: 86.129%"
## 
## [1] "alpha = 0.003"
## [1] "Scissor identified 1264 Scissor+ cells and 37 Scissor- cells."
## [1] "The percentage of selected cell is: 31.716%"
## 
## [1] "alpha = 0.005"
## [1] "Scissor identified 887 Scissor+ cells and 28 Scissor- cells."
## [1] "The percentage of selected cell is: 22.306%"
## 
## [1] "alpha = 0.007"
## [1] "Scissor identified 729 Scissor+ cells and 24 Scissor- cells."
## [1] "The percentage of selected cell is: 18.357%"
## [1] "|**************************************************|"

Scissor应用与logistic回归模型

b) 二元分类数据

load(url(paste0(location, 'TCGA_LUAD_TP53_mutation.RData')))
table(TP53_mutation)
## TP53_mutation
##   0   1 
## 243 255
###Execute Scissor to select the informative cells
phenotype <- TP53_mutation
tag <- c('wild-type', 'TP53 mutant')

在另一个例子中，使用TCGA-LUAD提供的其他表型特征来指导鉴定相同的4,102个癌细胞中的细胞亚群。在这里，我们关注TP53，在人类恶性肿瘤中发现的最常见的突变肿瘤抑制基因之一。

##Prepare the bulk data and phenotype
load(url(paste0(location, 'TCGA_LUAD_exp2.RData')))
load(url(paste0(location, 'TCGA_LUAD_TP53_mutation.RData')))
table(TP53_mutation)
## TP53_mutation
##   0   1 
## 243 255
###Execute Scissor to select the informative cells
phenotype <- TP53_mutation
tag <- c('wild-type', 'TP53 mutant')
infos4 <- Scissor(bulk_dataset, sc_dataset, phenotype, tag = tag, alpha = 0.5, 
                  family = "binomial", Save_file = "Scissor_LUAD_TP53_mutation.RData")
## [1] "|**************************************************|"
## [1] "Performing quality-check for the correlations"
## [1] "The five-number summary of correlations:"
##         0%        25%        50%        75%       100% 
## 0.01308976 0.19502200 0.23725380 0.29589213 0.83830571 
## [1] "|**************************************************|"
## [1] "Current phenotype contains 243 wild-type and 255 TP53 mutant samples."
## [1] "Perform logistic regression on the given phenotypes:"
## [1] "alpha = 0.5"
## [1] "Scissor identified 173 Scissor+ cells and 160 Scissor- cells."
## [1] "The percentage of selected cell is: 8.118%"
## [1] "|**************************************************|"
infos5 <- Scissor(bulk_dataset, sc_dataset, phenotype, tag = tag, alpha = 0.2, 
                  family = "binomial", Load_file = "Scissor_LUAD_TP53_mutation.RData")
## [1] "alpha = 0.2"
## [1] "Scissor identified 414 Scissor+ cells and 320 Scissor- cells."
## [1] "The percentage of selected cell is: 17.894%"
## [1] "|**************************************************|"
Scissor_select <- rep(0, ncol(sc_dataset))
names(Scissor_select) <- colnames(sc_dataset)
Scissor_select[infos5$Scissor_pos] <- 1
Scissor_select[infos5$Scissor_neg] <- 2
sc_dataset <- AddMetaData(sc_dataset, metadata = Scissor_select, col.name = "scissor")
DimPlot(sc_dataset, reduction = 'umap', group.by = 'scissor', cols = c('grey','indianred1','royalblue'), pt.size = 1.2, order = c(2,1))

903f29371c72d1f02ecd8ef0741fdb04.png

可靠性显著性检验

为了确定推断的表型-细胞关联是否可靠，我们使用功能可靠性。检验进行信度显著性检验。可靠性显著性检验的动机是:如果选择的单细胞和批量数据不适合表型与细胞之间的关联，则相关性的信息量会减少，并且与表型标签不太相关。因此，相应的预测性能会很差，并且与随机排列的标签没有明显的区别。

load('Scissor_LUAD_survival.RData')
numbers <- length(infos1$Scissor_pos) + length(infos1$Scissor_neg)
result1 <- reliability.test(X, Y, network, alpha = 0.05, family = "cox", cell_num = numbers, n = 10, nfold = 10)
## Warning: 程辑包'progress'是用R版本4.3.2 来建造的
## Warning: 程辑包'survival'是用R版本4.3.3 来建造的
## [1] "|**************************************************|"
## [1] "Perform cross-validation on X with true label"
## Finished!
## [1] "|**************************************************|"
## [1] "Perform cross-validation on X with permutated label"
## Finished!
## [1] "Test statistic = 0.628"
## [1] "Reliability significance test p = 0.000"
names(result1)
## [1] "statistic"         "p"                 "c_index_test_real"
## [4] "c_index_test_back"
load('Scissor_LUAD_TP53_mutation.RData')
numbers <- length(infos5$Scissor_pos) + length(infos5$Scissor_neg)
result2 <- reliability.test(X, Y, network, alpha = 0.2, family = "binomial", cell_num = numbers, n = 10, nfold = 10)
## Warning: 程辑包'pROC'是用R版本4.3.2 来建造的
## Type 'citation("pROC")' for a citation.
## 
## 载入程辑包：'pROC'
## The following objects are masked from 'package:stats':
## 
##     cov, smooth, var
## [1] "|**************************************************|"
## [1] "Perform cross-validation on X with true label"
## Finished!
## [1] "|**************************************************|"
## [1] "Perform cross-validation on X with permutated label"
## Finished!
## [1] "Test statistic = 0.790"
## [1] "Reliability significance test p = 0.000"
names(result2)
## [1] "statistic"     "p"             "AUC_test_real" "AUC_test_back"
result2
## $statistic
## [1] 0.7900128
## 
## $p
## [1] 0
## 
## $AUC_test_real
##  [1] 0.8184615 0.8366667 0.8028846 0.8000000 0.8107692 0.9183333 0.8166667
##  [8] 0.5560897 0.7833333 0.7569231
## 
## $AUC_test_back
## $AUC_test_back[[1]]
##                  AUC
## Testing_1  0.4800000
## Testing_2  0.4833333
## Testing_3  0.4375000
## Testing_4  0.5466667
## Testing_5  0.4584615
## Testing_6  0.5050000
## Testing_7  0.5350000
## Testing_8  0.3653846
## Testing_9  0.3450000
## Testing_10 0.4569231

细胞水平评估

最后，我们可以使用函数evaluate.cell()。获取每个Scissor选定细胞的一些支持信息。以LUAD癌细胞存活为例，通过运行以下代码对205个Scissor选择的细胞进行评估:

evaluate_summary <- evaluate.cell('Scissor_LUAD_survival.RData', infos1, FDR = 0.05, bootstrap_n = 100)
## Warning: 程辑包'scales'是用R版本4.3.2 来建造的
## [1] "|**************************************************|"
## [1] "Performing correlation check for each selected cell"
## Finished!
## [1] "|**************************************************|"
## [1] "Performing nonparametric bootstrap"
## Finished!

evaluate.cell函数包含两个策略来评估每个剪刀选择的cell。第一种策略侧重于所有批量样本中每个选定细胞的相关值及其对应的p值，其中包括输出data.frame变量中的前四列:

evaluate_summary[1:5,1:4]
##                     Mean correlation Correlation > 0 Correlation < 0
## AAAGTAGAGGAGCGAG_19        0.3056072            100%              0%
## AACCATGCATCTCCCA_19        0.1974518            100%              0%
## AACCGCGAGCTGCGAA_20        0.3569129            100%              0%
## AACTCAGTCCGCGGTA_19        0.3628618            100%              0%
## AACTCCCAGCGCCTTG_19        0.2835872            100%              0%
##                     Significant Correlation
## AAAGTAGAGGAGCGAG_19                    100%
## AACCATGCATCTCCCA_19                    100%
## AACCGCGAGCTGCGAA_20                    100%
## AACTCAGTCCGCGGTA_19                    100%
## AACTCCCAGCGCCTTG_19                    100%
all(evaluate_summary$`Mean correlation` & as.numeric(gsub('%','',evaluate_summary$`Correlation > 0`)) > 50)
## [1] TRUE

evaluate.cell细胞功能还检查从每个选定细胞的标准相关p值派生的fdr。输出每个选定细胞的显著相关性(FDR < 0.05，列显著相关性)的百分比。

evaluate_summary[1:5,5:10]
##                     Coefficient      Beta 0%    Beta 25%    Beta 50%   Beta 75%
## AAAGTAGAGGAGCGAG_19 0.009203078 0.0006535843 0.006349622 0.009940265 0.01499857
## AACCATGCATCTCCCA_19 0.003779788 0.0001131087 0.003247118 0.006729676 0.01058692
## AACCGCGAGCTGCGAA_20 0.005839546 0.0001044831 0.003500107 0.007839735 0.01359622
## AACTCAGTCCGCGGTA_19 0.004415840 0.0005875274 0.003877294 0.008254801 0.01476508
## AACTCCCAGCGCCTTG_19 0.014565920 0.0003173535 0.010897044 0.018264455 0.02771921
##                      Beta 100%
## AAAGTAGAGGAGCGAG_19 0.02747730
## AACCATGCATCTCCCA_19 0.02185486
## AACCGCGAGCTGCGAA_20 0.02852694
## AACTCAGTCCGCGGTA_19 0.03463764
## AACTCCCAGCGCCTTG_19 0.04282416
Reference

Sun D, Guan X, Moran AE, Wu LY, Qian DZ, Schedin P, Dai MS, Danilov AV, Alumkal JJ, Adey AC, Spellman PT, Xia Z. Identifying phenotype-associated subpopulations by integrating bulk and single-cell sequencing data. Nat Biotechnol. 2022 Apr;40(4):527-538. 

单细胞生信分析教程

Topic 6. 克隆进化之 Canopy

Topic 7. 克隆进化之 Cardelino

Topic 8. 克隆进化之 RobustClone

SCS【1】今天开启单细胞之旅，述说单细胞测序的前世今生

SCS【2】单细胞转录组 之 cellranger

SCS【3】单细胞转录组数据 GEO 下载及读取

SCS【4】单细胞转录组数据可视化分析 (Seurat 4.0)

SCS【5】单细胞转录组数据可视化分析 (scater)

SCS【6】单细胞转录组之细胞类型自动注释 (SingleR)

SCS【7】单细胞转录组之轨迹分析 (Monocle 3) 聚类、分类和计数细胞

SCS【8】单细胞转录组之筛选标记基因 (Monocle 3)

SCS【9】单细胞转录组之构建细胞轨迹 (Monocle 3)

SCS【10】单细胞转录组之差异表达分析 (Monocle 3)

SCS【11】单细胞ATAC-seq 可视化分析 (Cicero)

SCS【12】单细胞转录组之评估不同单细胞亚群的分化潜能 (Cytotrace)

SCS【13】单细胞转录组之识别细胞对“基因集”的响应 (AUCell)

SCS【14】单细胞调节网络推理和聚类 (SCENIC)

SCS【15】细胞交互：受体-配体及其相互作用的细胞通讯数据库 (CellPhoneDB)

SCS【16】从肿瘤单细胞RNA-Seq数据中推断拷贝数变化 (inferCNV)

SCS【17】从单细胞转录组推断肿瘤的CNV和亚克隆 (copyKAT)

SCS【18】细胞交互：受体-配体及其相互作用的细胞通讯数据库 (iTALK)

SCS【19】单细胞自动注释细胞类型 (Symphony)

SCS【20】单细胞数据估计组织中细胞类型(Music)

SCS【21】单细胞空间转录组可视化 (Seurat V5)

SCS【22】单细胞转录组之 RNA 速度估计 (Velocyto.R)

SCS【23】单细胞转录组之数据整合 (Harmony)

SCS【24】单细胞数据量化代谢的计算方法 (scMetabolism)

SCS【25】单细胞细胞间通信第一部分细胞通讯可视化（CellChat）

SCS【26】单细胞细胞间通信第二部分通信网络的系统分析（CellChat）

SCS【27】单细胞转录组之识别标记基因 （scran）

SCS【28】单细胞转录组加权基因共表达网络分析(hdWGCNA)

SCS【29】单细胞基因富集分析 (singleseqgset)

SCS【30】单细胞空间转录组学数据库(STOmics DB)

SCS【31】减少障碍，加速单细胞研究数据库(Single Cell PORTAL)

SCS【32】基于scRNA-seq数据中推断单细胞的eQTLs (eQTLsingle)

SCS【33】单细胞转录之全自动超快速的细胞类型鉴定 (ScType)

SCS【34】单细胞/T细胞/抗体免疫库数据分析(immunarch)

SCS【35】单细胞转录组之去除双细胞 (DoubletFinder)

SCS【36】单细胞转录组之k-近邻图差异丰度测试(miloR)

SCS【37】hdWGCNA在空间转录组学中的作用

SCS【38】单细胞转录组之免疫浸润分析(escape)

SCS【39】单细胞转录组之降维散点图的美化 (SCpubr)

SCS【40】单细胞转录组之便捷式细胞类型注释（scMayoMap）

号外号外，桓峰基因单细胞生信分析免费培训课程即将开始，快来报名吧！

桓峰基因，铸造成功的您！

未来桓峰基因公众号将不间断的推出单细胞系列生信分析教程，

敬请期待！！

桓峰基因官网正式上线，请大家多多关注，还有很多不足之处，大家多多指正！

http://www.kyohogene.com/

桓峰基因和投必得合作，文章润色优惠85折，需要文章润色的老师可以直接到网站输入领取桓峰基因专属优惠券码：KYOHOGENE，然后上传，付款时选择桓峰基因优惠券即可享受85折优惠哦！https://www.topeditsci.com/

e2c3e01871f46527c31a4d3a74847128.png

桓峰基因
关注
完整程序
yqwhaha的博客
04-17 1095
DID结果1
单细胞测序技术的历程和当下趋势
2401_89399180的博客
12-06 304
这篇综述文章对SCS技术进行了系统性研究，包括基本概念、程序步骤和scDNA、scRNA、scATAC、scCITE和scSNARE方法的应用，重点关注SCS在癌症治疗中的独特临床优势。该综述细致介绍了单细胞测序技术的发展历程和现状，包括单细胞DNA测序、单细胞RNA测序、基于转座酶可访问性的染色质测序、单细胞细胞标记转录组和表位测序以及单细胞单核染色质可访问性和mRNA表达测序等方法。单细胞测序技术在癌症研究中的应用，尤其是对肿瘤的相关独特临床优势进行了深入讨论。
探索单细胞数据的奥秘：Scissor —— 打破界限，连接群体与个体
gitblog_00017的博客
06-07 1275
探索单细胞数据的奥秘：Scissor —— 打破界限，连接群体与个体 项目地址:https://gitcode.com/gh_mirrors/sc/Scissor 项目介绍 在基因组学的研究前沿，Scissor（Single-Cell Identification of Subpopulations with bulk Sample phenOtype coRrelation）以其革新性的方法脱颖...
Topic 1 Single_Cell_analysis（1）
羊羊的博客
03-23 881
Topic 1 Single_Cell_analysis 文章目录Topic 1 Single_Cell_analysisPart1 PlanPart2 原始数据复现——LUADPart3 Scissor使用cox regression1.prework2.准备单细胞数据2.1 Seurat_preprocessing（）3. Part1 Plan 原始数据复现 使用其他疾病的数据，查看效果，更深入了解代码 根据cell-cell之间的空间结构，得到相关性较强的cell簇，作为新的特征 原始的回归方法
Scissor算法-从含有表型的bulkRNA数据中提取信息进而鉴别单细胞亚群
zfyyzhys的博客
07-09 2356
如何将大量的含有临床信息/表型的bulk RNA测序数据和单细胞数据构成联系，这也是算法开发者们所重点关注的方向
推荐文章：Scissor - 单细胞亚群识别利器
gitblog_00040的博客
08-16 514
???? 推荐文章：Scissor - 单细胞亚群识别利器 项目地址:https://gitcode.com/gh_mirrors/sc/Scissor 在生物医学研究中，单细胞测序技术为我们提供了前所未有的洞察力，尤其是在理解疾病发生机制和个性化治疗方面。然而，如何从海量的单细胞数据中精准地找出与特定表型（如疾病阶段、肿瘤转移或生存结果）最相关联的细胞亚群？这正是Scissor这一强大工具所专长的。 ...
R语言-解决问题：程辑包‘xxx’是用R版本3.3.4 来建造的
weixin_42496509的博客
06-19 3760
q
SCS【4】单细胞转录组数据可视化分析 (Seurat 4.0)
weixin_41368414的博客
08-23 2821
单细胞转录组数据可视化分析 (Seurat 4.0)
SCS 43. 单细胞数据中细胞群的纯度/异质性计算(ROGUE)
weixin_41368414的博客
07-22 2679
简 介单细胞RNA测序(scRNA-seq)是一种发现和注释细胞类型和状态的通用工具，但细胞亚型的确定和注释往往是主观的和任意的。通常甚至不清楚给定的群集是否均匀。在这里提出了一个基于熵的统计，ROGUE以准确地量化鉴定细胞团的纯度并证明ROGUE指标是广泛适用的，并且能够在广泛的模拟和真实数据集上对聚类纯度进行准确，敏感和稳健的评估。将这一指标应用于成纤维细胞、B细胞和大脑数据，确定了额外...
cytotrace教程
08-10
- *1* [SCS【12】单细胞转录组之评估不同单细胞亚群的分化潜能 (Cytotrace)](https://blog.csdn.net/weixin_41368414/article/details/126928866)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630",...
阅读笔记12：（全文翻译）Oocyte quality and aging
wxw060709的专栏
02-16 1110
众所周知，由于卵子的质量和数量随年龄相关的变化，女性的生育能力在生命的第四个十年期间会降低；尽管今天尝试怀孕的女性年龄在36至44岁之间有了显著增加。生殖衰老的原因和这一现象的生理方面仍然是一个谜。随着女性年龄的增长，在辅助生殖技术（ART）中，我们观察到获取的卵子数量和质量以及卵巢滤泡储备显著下降。这是由于纺锤体装置中断、氧化应激和线粒体损伤等因素导致的非整倍体增加所致。本综述的目的是研究有关衰老过程影响卵子质量和女性生殖能力的潜在作用的数据。
BayesPrism(贝叶斯棱镜法)可提取单细胞数据去卷积后将信息映射至bulkRNA数据
zfyyzhys的博客
07-15 2624
贝叶斯棱镜法作为一种工具可以根据scRNA数据(作为先验模型)去推断bulkRNA数据中肿瘤微环境组成(不同免疫细胞组分/不同细胞群)和基因表达情况。
少儿编程scratch项目源代码文件案例素材-绝地求生.zip
04-27
少儿编程scratch项目源代码文件案例素材-绝地求生.zip
嵌入式八股文面试题库资料知识宝典-文思创新面试题2010-04-08.zip
04-27
嵌入式八股文面试题库资料知识宝典-文思创新面试题2010-04-08.zip
一种基于剪切波和特征信息检测的太阳斑点图融合算法.pdf
最新发布
04-27
一种基于剪切波和特征信息检测的太阳斑点图融合算法.pdf
并联型APF有源电力滤波器Matlab Simulink仿真：dq与αβ坐标系下的谐波无功检测与PI控制及SVPWM调制
04-27
内容概要：本文详细介绍了并联型有源电力滤波器（APF）在Matlab/Simulink环境下的仿真研究。主要内容涵盖三个关键技术点：一是dq与αβ坐标系下的谐波和无功检测，利用dq变换和FBD技术实现实时检测；二是两相旋转坐标系（dq）与两相静止坐标系（αβ）下的PI控制，通过调整比例和积分环节实现精准控制；三是SVPWM调制方式的应用，通过优化开关时序提升系统效率和性能。文中还提供了详细的仿真介绍文档，包括模型搭建、参数设定以及结果分析。 适合人群：从事电力电子、自动化控制领域的研究人员和技术人员，尤其是对电力滤波器仿真感兴趣的读者。 使用场景及目标：适用于需要深入了解并联型APF工作原理和实现方式的研究人员，旨在通过仿真工具掌握谐波和无功检测、PI控制及SVPWM调制的具体应用。 其他说明：本文不仅提供了理论知识，还结合了实际操作步骤，使读者能够通过仿真模型加深对APF的理解。
Arduino KEY实验例程【正点原子ESP32S3】
04-27
Arduino KEY实验例程，开发板：正点原子EPS32S3，本人主页有详细实验说明可供参考。
嵌入式八股文面试题库资料知识宝典-嵌入式C语言面试题汇总(66页带答案).zip
04-27
嵌入式八股文面试题库资料知识宝典-嵌入式C语言面试题汇总(66页带答案).zip
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值