适用背景单细胞转录组调控网络分析是单细胞转录组分析内容的高级分析之一，本文将介绍SCENIC/pySCENIC的流程，具体原理和内容不展开，主要展示代码复现流程。R的SCENIC基于AUCell，RcisTarget和GENIE3三个包进行分析，所以要先安装这些依赖包，而pySCENIC则已经封装好，直接用pip安装即可。只用SCENIC或pySCENIC也可以单独完成分析，但R语言运行起来很慢，pySCENIC可以有效提升分析速度，还用SCENIC是因为可视化用R语言会简单一些。可视化部分请看这篇文章SCENIC/pySCENIC结果可视化2022-11-08快来看看三步完成单细胞数据调控网
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
我正在使用SWRevealViewController。使用此代码@IBOutletweakvarmenuButton:UIBarButtonItem!overridefuncviewDidLoad(){super.viewDidLoad()ifself.revealViewController()!=nil{menuButton.target=self//.revealViewController()menuButton.action=Selector("backAction")menuButton.image=UIImage(named:"back_arrow")menuButto
简介scCustomize是一个单细胞转录组数据可视化的R包，里面集合了一些常用的数据可视化方法，可以与Seurat包进行很好的联用，支持Seurat，LIGER和SCE等常用对象的数据。image.pngR包安装直接使用devtools包进行安装devtools::install_github(repo="samuel-marsh/scCustomize")remotes::install_github(repo="samuel-marsh/scCustomize")实例演示在本教程中，我将使用SeuratData包中的HCA骨髓单细胞数据。QCplot所有scRNA-seq数据分析的第一步
写在前面：开始做单细胞之前，报班或者看视频之后：好像也不是那么难，做的时候发现无数的坑。因为没什么生信基础知识。这些写教程的老六们，不会去写基础知识，导致感觉我学的单细胞测序和别人的不一样。今天开个单细胞基础知识补充系，给生信初入门的小伙伴填个那些生信老六留下的坑。rds是R语言中利用二进制保存的源文件，加载readr包以后，使用write_rds(x,file='x.rds')保存文件，read_rds('x.rds')读取文件，比csv的好处是加载rds文件时不需要花时间再进行列项匹配，速度更快。读写RDS格式文件#1、导出RDS文件saveRDS(iris,file="iris.RDS"
本文的思路是通过单细胞数据分析识别了某种免疫细胞特有的marker基因，然后利用这些基因进行预后模型的构建。事实上，预后模型的文章已经不好发了，甚至有的审稿人看到预后模型就反感，因为实在是太多了，而且预测效能普遍不行。那么如何做的比这篇文章还要好呢？鉴于最近泛癌分析以及肿瘤分型分析比较好发，小编做的免疫细胞marker的泛癌分析以及肿瘤分型，内容是这些文章的2倍以上，均发表到8+杂志。所以我们在筛选到某种免疫细胞特有的marker基因后，可以对这些基因进行泛癌分析或者肿瘤分型分析。在分型分析中再附上简单的预后模型，但不以其为重点。这样的思路肯定是比本篇文章内容更多，更新颖。如果想做类似分析，欢
最近开始接触单细胞数据，网上也有很多学习资料，琳琅满目，我也挑了一些视频资料进行学习，不过感觉还是需要进行实战训练才能更好地掌握这些知识，所以选了一篇2021年发表在naturecommunications的文章进行学习。文献：Single-cellRNAsequencingrevealsfunctionalheterogeneityofglioma-associatedbrainmacrophagesGSE：GSE136001一、数据下载并整理下载数据：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE1360011.png2.png
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，
兜兜转转，小编做单细胞转眼又是半年过去了，单细胞注释真的是一到玄学，一查资料很多自动化单细胞注释的工具横空出世，可是小编试了很多很多，发现还是手动注释更加准确，但是手动如何注释呢？这里我们需要先找到细胞的marker基因，这里以NKT细胞为例，我们知道NKT有三个经典的marker（CD45,CD3,CD56），我们单个marker注释看看这里的sce就是我们前面使用seurat创建的对象FeaturePlot(sce,features=c('PTPRC','CD3D','CD3E','CD3G','NCAM1'),pt.size=0.1,reduction='tsne',ncol=5)从上面
常规的GO或者KEGG通路富集分析结果通常以气泡图的形式展示，然而这个气泡图仅仅是一个比较的结果，如果想在一张图上展示多个比较的结果，就需要用到多组气泡图（图1，左侧）。单细胞RNA-seq分析结果中，矩阵形式的气泡图可以很好地展示marker基因（X轴）在不同cluster（Y轴）中的表达情况（图1，右侧）。 图1.矩阵气泡图（左侧为带“缺失值”的点阵，右侧为完整的点阵）在dotplot中，点的大小代表一个维度，点的颜色代表另一个维度。因此，凡是具有二维特征的矩阵（或者带有缺失值的矩阵），都可以使用dotplot轻松可视化。1.打开绘图页面首先，使用浏览器（推荐chr
