Starlitnightly-CSDN博客

原创单细胞测序最好的教程（三）：特征基因选择

我们现在有了一个经过标准化的单细胞测序数据，其保留了细胞差异，同时消除了技术带来的采样误差。通常来说，我们经过上游的mapping（比对），我们会得到30,000到50,000个不等的基因。但是，我们只在第一步的质控中，删除了一小部分基因（少于20个细胞表达的基因）。但实际上，一个细胞表达的基因大约是3,000个左右。

2023-08-08 15:07:07 356

原创单细胞测序最好的教程（二）：归一化

“归一化”的预处理步骤旨在通过将“UMI的方差”缩放到指定范围，来调整数据集中的原始UMI计数以实现模型建模。而在真实的单细胞分析中，有不同的归一化方法以解决不同的分析问题。但经验发现，移位对数在大部分数据中的表现良好，这在2023年4月的Nature Method上的基准测试中有提到。

2023-08-07 16:38:07 531

目前，国内对于单细胞测序分析的教程五花八门，百花齐放，一个合适且准确的pipeline对于分析是很有价值的。2023年在 Nat Rev Genet上发表的一篇论文Best practices for single-cell analysis across modalities，详细介绍了单细胞最佳实践的流程。但是，其在国内的推广有两个不足：（一）全英文教程；（二）R语言与Python混合。二者限制了其在国内的推广，故笔者在原教程的基础上，结合自身的单细胞测序分析经验。

2023-08-04 03:44:08 1107 1

原创 Python版WGCNA分析和蛋白质相互作用PPI分析教程

在前面的教程中，我们介绍了使用omicverse完成基本的RNA-seq的分析流程，在本节教程中，我们将介绍如何使用omicverse完成加权基因共表达网络分析WGCNA以及蛋白质相互作用PPI分析。

2023-07-29 16:30:24 688

原创 Python版RNA-seq分析教程：DEseq2差异表达基因分析

Bulk RNA-seq 分析的一个重要任务是分析差异表达基因，我们可以用 omicverse包来完成这个任务。在omicverse中，除了最简单的ttest外，在这里，我们介绍一种类似R语言中的Deseq2等包的模型来计算差异表达基因。原教程地址：https://omicverse.readthedocs.io/en/latest/Tutorials-bulk/t_deseq2/

2023-07-29 16:29:00 1121

原创 Python版RNA-seq分析教程：差异表达基因分析

Bulk RNA-seq 分析的一个重要任务是分析差异表达基因，我们可以用 omicverse包来完成这个任务。对于差异表达分析而言，首先，我们可以先将 gene_id 改为 gene_name。其次，当我们的数据集存在批量效应时，我们可以使用 DEseq2的 SizeFactor 对其进行归一化，从统计学上，使用 wilcoxon的秩和检验或者 t-test来计算基因的 p 值。也可以使用类似edgeRDeseq2等包的模型来计算p值。在这里，我们用一个从RNA-seq上游的定量包。

2023-07-29 16:28:24 636

原创 Python转录组学分析框架：Omicverse的安装教程

OmicVerse是用Python进行多组学（包括Bulk和单细胞分析）的基础框架。omicverse最初的名字是Pyomic，但我们希望涵盖整个转录组学的领域，因此将其改名为OmicVerse，旨在解决RNA-seq中的所有任务。目前omicverse已加入scverse生态。您可以在scverse的官网上找到我们。

2023-07-29 16:25:20 2565 2

原创二进制整数转换为十进制整数[包括负数的转换]

二进制整数转换为十进制整数【问题描述】编写程序，输入字符串形式的二进制整数（长度为16位，采用补码表示），把它转换为十进制整数，输出该十进制整数。补码首位表示符号，0代表正数，1代表负数。需要注意的是：求负整数的补码，将其对应正数二进制表示所有位取反（包括符号位，0变1，1变0）后加1。【输入形式】输入一个16位补码表示的二进制整数【输出形式】二进制整数对应的十进制数【样例输入】...

2019-03-01 18:01:13 5583

weixin_43682390的博客