在完成单细胞分析基本流程之后，我们获得了各个细胞聚类和相应的marker基因，有多种方式可以可视化marker基因的表达量，seurat包中自带的DoHeatmap()、VlnPlot()以及DotPlot()函数可以很方便的...

在做单细胞数据分析的时候习惯生成和保存很多中间变量，以便于debug的时候方便直接读取某一个中间变量进行后续分析。这些变量包括很多seurat object，对于多样本整合的数据来讲最后会很大，每次...

SingleR是用于单细胞RNA测序（scRNAseq）数据的自动注释方法（Aran et al.2019）。给定具有已知标签的样本（单细胞或RNAseq）参考数据集，它将基于与参考数据的相似性标记测试数据集中的新细胞...

Harmony方法在2019年发表在上面nature methods， harmony算法与其他整合算法相比的优势： 整合数据的同时对稀有细胞的敏感性依然很好； 省内存； 适合于更复杂的单细胞分析实验设计，可以比较来...

经验证，人类样本的单细胞分析使用seurat教程的方法计算线粒体序列比例与此方法结果一致，但对于其他物种，建议使用此方法。 使用注释文件生成线粒体计数指标 我们将使用AnnotationHub，它允许...

目标： 确定每个类群的基因标记物 使用标记物识别每个类群的细胞类型 根据细胞类型标记物来判断是否需要重新分组，或许需要合并或拆分聚类的类群 挑战： 对结果的过度解读 结合不同类型的标记物...

学习内容 评估是否存在聚类的假象 用PCA和UMAP图来确定聚类的质量，并了解何时需要重新聚类 评估已知的细胞类型标志物以假设集群的细胞类型身份 目标 确定集群是否代表真正的细胞类型或由于生物...

学习内容 学会选择合适的PCs用于聚类分析 聚类的方法 目标 产生细胞类型特异性聚类，并使用已知的细胞类型标记基因来确定聚类的身份。 确定集群是否代表真正的细胞类型或由于生物或技术差异而产...

本文主要是翻译，用作参考，还是要看GitHub上的英文原版学习 目标 对于不同条件下的样本，将相同类型的细胞对齐到一起 挑战 对准类似的细胞类型，这样我们就不会因为样品、条件、模式或批次的不...

在我们可以聚类细胞并识别不同的潜在细胞类型之前，我们还有几个步骤。我们的数据集有两个样本来自两个不同的条件（控制和刺激），所以整合这些样本，以更好地进行比较可能是有帮助的。我们需要...