fsc代表的是forwardscatter，这个参数和细胞的大小成正比，A是area的缩写，H是height的缩写。这是机器在记录信号时所采用的参数（不显示在用户界面，在调试机器的时候可以显示）每个细胞通过激光的时候，机器都会记录一个波状信号（一个拱形的信号），H就是这个拱的高度（代表的是信号的强度），A就是这个拱的曲线下面积，代表信号强度和细胞大小的关系。其实还应该有一个参数W，是width的缩写，是这个拱的宽度，代表细胞通过激光束所花的时间。不光是FSC，其他每一个通道都有这三个参数可以记录。可以用其中的任何一个，根据实验要求来作图。机器就会根据设置显示出最终的图形了。image.png扩
fsc代表的是forwardscatter，这个参数和细胞的大小成正比，A是area的缩写，H是height的缩写。这是机器在记录信号时所采用的参数（不显示在用户界面，在调试机器的时候可以显示）每个细胞通过激光的时候，机器都会记录一个波状信号（一个拱形的信号），H就是这个拱的高度（代表的是信号的强度），A就是这个拱的曲线下面积，代表信号强度和细胞大小的关系。其实还应该有一个参数W，是width的缩写，是这个拱的宽度，代表细胞通过激光束所花的时间。不光是FSC，其他每一个通道都有这三个参数可以记录。可以用其中的任何一个，根据实验要求来作图。机器就会根据设置显示出最终的图形了。image.png扩
1.利用箱线图比较两类样本的某个细胞比例差异比较直观，但是缺点在于如果单细胞样本个数过少且异质性大，导致很难有统计学显著意义library(ggpubr)data2.Ro/e比值好多文章都有用这个，我的理解是四格表卡方检验计算出来的观测除以期望Cell_typeCancerNormalTcell80200Bcell100120Tam200100例如上述数据，一开始有三类细胞，分别在癌和正常的个数如表所示，那么计算Ro/e的时候就要构建四格表，以T细胞为例Cell_typeCancerNormalTcell80200Others300220##计算卡方值以及期望和观测值x##[,1][,2]##
1.利用箱线图比较两类样本的某个细胞比例差异比较直观，但是缺点在于如果单细胞样本个数过少且异质性大，导致很难有统计学显著意义library(ggpubr)data2.Ro/e比值好多文章都有用这个，我的理解是四格表卡方检验计算出来的观测除以期望Cell_typeCancerNormalTcell80200Bcell100120Tam200100例如上述数据，一开始有三类细胞，分别在癌和正常的个数如表所示，那么计算Ro/e的时候就要构建四格表，以T细胞为例Cell_typeCancerNormalTcell80200Others300220##计算卡方值以及期望和观测值x##[,1][,2]##
在使用Seurat时，经常需要对不同分类的样本在同一画布上进行可视化，可以非常方便地通过其DimPlot()函数的goupyby和spliby等参数实现，例如对照组和实验组，如下：以正常和肿瘤组织作为区别但是在python的环境中，scanpy的sc.pl.umap()并没有这么灵活的参数。所以需要通过循环解决问题，sc.pl.umap中的color参数类似于Seurat的groupby，但其groups参数完全没有Seurat的splitby强大。所以我们可以通过python的Matplotlib包的plt.subplots()函数，结合循环将分组内容一一绘制，再多个分组图合并在一起，就实现
在使用Seurat时，经常需要对不同分类的样本在同一画布上进行可视化，可以非常方便地通过其DimPlot()函数的goupyby和spliby等参数实现，例如对照组和实验组，如下：以正常和肿瘤组织作为区别但是在python的环境中，scanpy的sc.pl.umap()并没有这么灵活的参数。所以需要通过循环解决问题，sc.pl.umap中的color参数类似于Seurat的groupby，但其groups参数完全没有Seurat的splitby强大。所以我们可以通过python的Matplotlib包的plt.subplots()函数，结合循环将分组内容一一绘制，再多个分组图合并在一起，就实现
关于“数据的维度”(dims参数)的选择完成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分进行下游分析呢？主要参考以下方法：热图DimHeatmap(pbmc,dims=1:15,cells=500,balanced=TRUE)image.png如上图所示，可以看出前15个主成分可以把细胞分成差异明显的两群，说明前15个主成分中含有的显著的差异基因更多，主成分也就更有意义，所以下游分析可以纳入前15个PCs。碎石图ElbowplotElbowPlot(pbmc)通过碎石图可以看出每个PC对变异的贡献情况，从上图可以看出9~10PC以后逐渐趋于稳定（噪声主
关于“数据的维度”(dims参数)的选择完成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分进行下游分析呢？主要参考以下方法：热图DimHeatmap(pbmc,dims=1:15,cells=500,balanced=TRUE)image.png如上图所示，可以看出前15个主成分可以把细胞分成差异明显的两群，说明前15个主成分中含有的显著的差异基因更多，主成分也就更有意义，所以下游分析可以纳入前15个PCs。碎石图ElbowplotElbowPlot(pbmc)通过碎石图可以看出每个PC对变异的贡献情况，从上图可以看出9~10PC以后逐渐趋于稳定（噪声主
1.加载数据library(Seurat)library(SeuratData)pbmcpbmcAnobjectofclassSeurat13714featuresacross2638sampleswithin1assayActiveassay:RNA(13714features,2000variablefeatures)2dimensionalreductionscalculated:pca,umap2.执行默认的差异表达测试Seurat的大部分差异表达特征可以通过“FindMarkers()”函数访问。默认情况下，Seurat基于非参数Wilcoxon秩和检验执行差分表达式。这取代了以前的
1.加载数据library(Seurat)library(SeuratData)pbmcpbmcAnobjectofclassSeurat13714featuresacross2638sampleswithin1assayActiveassay:RNA(13714features,2000variablefeatures)2dimensionalreductionscalculated:pca,umap2.执行默认的差异表达测试Seurat的大部分差异表达特征可以通过“FindMarkers()”函数访问。默认情况下，Seurat基于非参数Wilcoxon秩和检验执行差分表达式。这取代了以前的
