这一节画的图是比较新的，图中我用红色箭头标出的是pathway一级注释信息(bigannotation，自己想的，非专有名词)，纵轴花花绿绿的标注是pathway的二级注释(smallannotation)。如何获取注释算一个难点，我上一讲也已经讲过：KEGG通路的从属/注释信息如何获取。整个图反映的是有多少基因落到了对应的分类里面。辩证地看，整张图都是pathway注释，没有具体的pathway名称，跟平常做的富集分析很不一样。把图里面的二级注释换成具体的pathway会更好。另外，这个图中横坐标是基因数，但我觉得在富集分析中这个数值并不重要（基因ratio比单个数值重要），我们可以换成p值
一、下载数据GSE111229：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE111229只下载7个SRR进行学习；数据下载的话可以参考前面写的一篇笔记：RNA-seq入门（一）数据下载和格式转换1.png二、安装conda参考前面的笔记：conda下载及安装安装软件：condainstall-ysra-toolsmultiqcfastphisat2三、SRA转fastq文件ls*|whilereadid;do(nohupfastq-dump--gzip--split-3-O./${id}&);done四、质控ls*gz|xargs
一、下载数据GSE111229：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE111229只下载7个SRR进行学习；数据下载的话可以参考前面写的一篇笔记：RNA-seq入门（一）数据下载和格式转换1.png二、安装conda参考前面的笔记：conda下载及安装安装软件：condainstall-ysra-toolsmultiqcfastphisat2三、SRA转fastq文件ls*|whilereadid;do(nohupfastq-dump--gzip--split-3-O./${id}&);done四、质控ls*gz|xargs
往期回顾B站中只有视频课程，代码部分整理在往期推送之中：手把手教你做单细胞测序数据分析（一）——绪论手把手教你做单细胞测序数据分析（二）——各类输入文件读取手把手教你做单细胞测序数据分析（三）——单样本分析手把手教你做单细胞测序数据分析（四）——多样本整合手把手教你做单细胞测序数据分析（五）——细胞类型注释手把手教你做单细胞测序数据分析（六）——组间差异分析及可视化其他单细胞相关技术贴也在这里：细胞的数量由誰决定？答读者问（三）单细胞测序前景答读者问（四）：如何分析细胞亚群答读者问（六）、Seurat中如何让细胞听你指挥单细胞中应该如何做GSVA？如果这期视频看不懂，你可能需要看看这些：上一讲
往期回顾B站中只有视频课程，代码部分整理在往期推送之中：手把手教你做单细胞测序数据分析（一）——绪论手把手教你做单细胞测序数据分析（二）——各类输入文件读取手把手教你做单细胞测序数据分析（三）——单样本分析手把手教你做单细胞测序数据分析（四）——多样本整合手把手教你做单细胞测序数据分析（五）——细胞类型注释手把手教你做单细胞测序数据分析（六）——组间差异分析及可视化其他单细胞相关技术贴也在这里：细胞的数量由誰决定？答读者问（三）单细胞测序前景答读者问（四）：如何分析细胞亚群答读者问（六）、Seurat中如何让细胞听你指挥单细胞中应该如何做GSVA？如果这期视频看不懂，你可能需要看看这些：上一讲
GEO数据库下载单细胞测序原始数据如果想要分析数据库中的数据，可以从文献中获得数据的GSE号，举个例子：image.png然后到NCBINationalCenterforBiotechnologyInformation(nih.gov)搜索GSE144024，就会得到如下信息：image.png其中，GSM号为样本编号，后面有详细信息。点击SRARUNSelector，就可以看到每个样本的SRR号。image.png选择想要下载的SRR，点击selected-accessionlist，就可得到一个编号的文本文件。但是呢想要下载，还得需要借助其他软件sratools。image.pngsrat
GEO数据库下载单细胞测序原始数据如果想要分析数据库中的数据，可以从文献中获得数据的GSE号，举个例子：image.png然后到NCBINationalCenterforBiotechnologyInformation(nih.gov)搜索GSE144024，就会得到如下信息：image.png其中，GSM号为样本编号，后面有详细信息。点击SRARUNSelector，就可以看到每个样本的SRR号。image.png选择想要下载的SRR，点击selected-accessionlist，就可得到一个编号的文本文件。但是呢想要下载，还得需要借助其他软件sratools。image.pngsrat
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
