在实际中，经常存在多个样本一起联合分析的情况：比如我们既可以按照样本来源显示聚类，也可以按照类型来显示聚类结果。所以，我们测试利用seurat如何进行多个样本的合并分析。下载官网的2组测试数据。pbmc4k：https://support.10xgenomics.com/single-cell-gene-expression/datasets/2.1.0/pbmc4kpbmc8k：https://support.10xgenomics.com/single-cell-gene-expression/datasets/2.1.0/pbmc8k====创建seurat对象===library(Se
空间转录组是2022生命科学十大创新产品名单，因此将来会在生物学领域有非常大的应用空间，目前植物类的相关文章较少，我也是在慢慢的学习中。我们测试数据选取兰花的空转数据：Spatiotemporalatlasoforganogenesisindevelopmentoforchidflowers（这篇文章我前面也分享过），与单细胞的数据结构基本一致，多了spatial这个文件夹，主要包含的就是切片信息和spot定位信息。测试数据可以根据作者paper提供的下载链接获取：https://osf.io/mqsb4/?view_only=787b3d5a81e54c27b3f33d5841b59a51今
关键字Anndata对象转成Seurat对象h5文件读写空间组格式转换已补充快速使用的函数整理版本，如果不想看细节可以直接看已整理好的版本。适用背景众所周知，单细胞数据分析有两大软件：基于R语言的Seurat和基于Python的Scanpy，在平时的分析中常常需要把Seurat对象转成Scanpy的Anndata对象，这已经有比较成熟的流程了。但是，如果反过来把Anndata对象转成Seurat对象，网上搜到的方案寥寥无几，而且在本人亲测之下均报错无法成功实现。再加上我需要转的是空间组对象，结构比单细胞的更为复杂，只好自己想法从Anndata对象提取信息重新构建出一个Seurat对象了。这个步
轨迹分析系列：单细胞之轨迹分析-1：RNAvelocity单细胞之轨迹分析-2：monocle2原理解读+实操单细胞之轨迹分析-3：monocle3单细胞之轨迹分析-4：scVelo单细胞之轨迹分析-5：slingshot单细胞之轨迹分析-6：velocyto.R+Seurat一般要去计算RNAvelocity的时候，是已经预先处理过数据了，比如做过了降维，聚类，差异分析等。因此，做RNAvelocity的时候，考虑的经常是怎么把之前的结果和RNAvelocity的结果合并展示。而不是对同一份数据使用RNAvelocity重新做一次降维聚类。思路：把velocyto生成的loom文件读取之后，
1.写在前面作为现在最火的scRNAseq分析包，Seurat当之无愧。😘本期开始我们介绍一下Seurat包的用法，先从基础质控和过滤开始吧。🥳2.用到的包rm(list=ls())library(Seurat)library(tidyverse)library(SingleR)library(celldex)library(RColorBrewer)library(SingleCellExperiment)3.示例数据3.1读取10X文件这里我们提供一个转成genesymbols的可读文件，如果大家拿到的是EnsembleID，可以用之前介绍的方法进行转换。adj.matrix3.2创建Se
Idents(scRNA)500&PC1>5,idents="Bcells")subset(x=scRNA,subset=orig.ident=="Replicate1")subset(x=scRNA,downsample=100)subset(x=scRNA,features=VariableFeatures(object=scRNA))scRNA=scRNA[,scRNA@meta.data$seurat_clusters%in%c(0,2)]scRNA=scRNA[,Idents(scRNA)%in%c("Tcell","Bcell")]矩阵数据提取#assay数据提取GetAssayD
#Seurat对象中的Assay:######################################################################**在-RNA槽：**@counts:未作任何处理的原始**RNA表达矩阵**。@data:原表达矩阵通过**Normalize
1、标准流程里面的过滤三步骤，也可以用SCTransform代替Seurat基本教程seurat对象结构单细胞转录组分析中的各种数据结构image.png2、Seurat每一步处理类似流水线传送带上的容器（Container），每个函数会依次进行处理。每个函数输入一种数据都会输出另外一个数据，并且把输出数据也存放在这个容器中。需要时可以提取某一步骤的数据。还有一类函数，不参与数据转换，类似质检员（Inspector），在每一个数据转换后，查看容器中的内容，帮助判断质量、评估处理后的效果。image.png3、Seurat流程第一步就是创建Seurat对象，首先要明白Seurat对象的构成。Se
1、标准流程里面的过滤三步骤，也可以用SCTransform代替Seurat基本教程seurat对象结构单细胞转录组分析中的各种数据结构image.png2、Seurat每一步处理类似流水线传送带上的容器（Container），每个函数会依次进行处理。每个函数输入一种数据都会输出另外一个数据，并且把输出数据也存放在这个容器中。需要时可以提取某一步骤的数据。还有一类函数，不参与数据转换，类似质检员（Inspector），在每一个数据转换后，查看容器中的内容，帮助判断质量、评估处理后的效果。image.png3、Seurat流程第一步就是创建Seurat对象，首先要明白Seurat对象的构成。Se
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
