Seurat不仅可以校正实验的批次效应，还能跨平台整合数据，例如将10x单细胞数据、BD单细胞数据和SMART单细胞数据整合在一起；也能整合单细胞多组学数据，例如将单细胞ATAC、空间转录组与单细胞转...

关于“数据的维度”(dims参数)的选择 Created time: Apr 13, 2021 12:07 PM Tags: R, Seurat, scRNA-seq 完成PCA之后，我们获得了该数据集的所有主成分（PCs）信息，但是如何决定纳入多少个主成...

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...

在进行细胞聚类时有两个参数的选择对下游分析的结果影响很大 一个是纳入分析的PCs数，也就是dims参数，选择方法见 关于“数据的维度”(dims参数)的选择 ； 另一个是resolution参数，官方推荐根...

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...

参考链接: https://mp.weixin.qq.com/s/6ioR3JE0wKg6M-YAsLBcTA 关于归一化和标准化的翻译看了很多中文资料，发现还是有争议的，在seurat中主要是两个函数：NormalizeData()和ScaleData() ，其...

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...

参考链接: https://github.com/hbctraining/scRNA-seq_online/blob/master/lessons/01_intro_to_scRNA-seq.md 我们为什么需要单细胞RNA测序 人类各种组织之间细胞的类型，状态和相互作用差异巨...

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...

根据所使用的建库方法，单细胞的RNA序列（也称为读取（reads）或标签（tags））将从转录本的3'端（或5'端）（10X Genomics，CEL-seq2，Drop-seq，inDrops）或全长转录本（Smart-seq）获得。 参...