前期分析参考：https://www.jianshu.com/p/4f7aeae81ef1 001、 library(dplyr) library(Seurat) library(patchwork) pbmc.data <- Read10X(data.dir = "C:/Users/75377/Desktop/r_test2/hg19") pbmc <- CreateSeuratObject(counts = pbmc.data, project = "p
理解单细胞数据的本质，一个matrix，以及行与列的annotation。 一个最不友好的格式就是loom，只能用python来读取，存储为CSV。 其次就是scanpy的adata，也需要特殊的python来导出到R。 project/scPipeline/public/Linnarsson_2020_developing_mouse_brain/getData_from_loom.ipynb
1、awk + >>追加实现 for i in $(seq 2 $(head -n 1 a.txt | awk '{print NF}')); do cut -f 1,$i a.txt | awk 'BEGIN{sum =0 } {if(NR != 1) sum += $2} {if($1 ~ /^MT-/ && NR != 1) {sum1 += $2}} END {print 100 * sum1/sum}' >>
神经元，又称神经细胞，是构成神经系统结构和功能的基本单位。通常情况下，哺乳动物的神经元类型是通过它们的结构、电生理学和连接性来识别的。因此，科学家们希望找到一种分子方法来直接鉴定出具有不同功能的神经元群体。早在2017就有科学家在Science上发表了一篇利用单细胞甲基
数据来源：https://www.jianshu.com/p/4f7aeae81ef1 1、 pbmc <- NormalizeData(pbmc) dat <- pbmc[["RNA"]]@counts ## 原始数据 dat <- as.data.frame(dat) dat2 <- matrix(0, nrow = nrow(dat), ncol = ncol(dat)) ## 手动标准化变量 rownames(dat2) <-
导语： 肿瘤微环境(Tumor microenvironment, TME)，即肿瘤细胞产生和生活的内部环境是一个复杂的综合系统，不仅包括肿瘤细胞本身、炎症/免疫细胞等细胞成分，还包括细胞外基质(ECM)、细胞因子等非细胞成分。下面，大分子生物医药网小编主要针对如何研究肿瘤微环境等相关问题进行探
1. 构建Seurat对象 # install.packages('Seurat') rm(list=ls()) # 表达矩阵来自CellRanger分析结果 data_dir <- "/run_count_1kpbmcs/outs/filtered_feature_bc_matrix" setwd("project_path") library(Seurat) library(dplyr) ### 构建Seurat对象 expr_d
前言 在做单细胞相关聚类分析的过程中，为了研究异质性，发现了一种专门用于单细胞转录组的聚类分析R包——SC3(single cell consensus clustering，单细胞一致性聚类)。该聚类算法发表于Nature Methods（2017），能够让单细胞RNA-seq基于转录组特征对细胞类型进行定量表征。这是一种用户
参考链接： https://www.jianshu.com/p/37d2e8d68c91 https://satijalab.org/seurat/articles/pbmc3k_tutorial.html https://satijalab.org/seurat/articles/visualization_vignette.html 我们这个代码要解决的需求，就是将我们从GEO数据库中下载的表达矩阵（.csv文件）使用seurat
系列文章目录 单细胞测序流程（一）简介与数据下载 单细胞测序流程（二）数据整理 单细胞测序流程（三）质控和数据过滤——Seurat包分析，小提琴图和基因离差散点图 单细胞测序流程（四）主成分分析——PCA 单细胞测序流程（五）t-sne聚类分析和寻找marker基因 单细胞测序流程（六）单细胞的细胞类型的注
单细胞测序 RNA velocity | RNA速率 RNA velocity：the time derivative of the gene expression state—can be directly estimated by distinguishing between unspliced and spliced mRNAs in common single-cell RNA sequencing protocols. a high-dimensional vector that pred
单细胞测序的挑战 与传统的“bulk” RNA-seq不同，单细胞RNA-seq的主要区别在于一个测序文库代表一个细胞，而不是大量的细胞（Drop-seq例外，其利用细胞UMI和分子UMI将大量细胞建成一个文库）。因此，须加倍关注单细胞测序文库之间的不同。文库间的差异性主要体现在： 扩增效率（Amplification
单细胞测序的临床应用体外受精的胚胎测序：在把胚胎植回母体之前，先取一个细胞进行测序，确认基因正常后再植回，以保证胚胎是正常的。 新一代NITP：胎儿有核红细胞和滋养层细胞进行测序。 CTC细胞测序：癌症的血液检测，通过对血液中的肿瘤细胞进行测序，找到突变位点，有针对性进行靶向药物治疗。
为了减少由于扩增引起的误差，人们在一些单细胞测序的步骤中增加了 UMI（unique molecular identifiers），UMIs 是由 4-10 个随机核苷酸组成的序列，在 mRNA 反转录后，进入到文库中，每一个 mRNA，随机连上一个 UMI，因此可以计数不同的 UMI，最终计数 mRNA 的数量。10X genomics单细胞测序通过Barco
RNA的表达水平矩阵稀疏 把reads比对到基因组，然后计算比对到基因上的read count。发现表达矩阵十分稀疏。 RNA的表达水平填补问题： 相对于bulk转录组测序，单细胞测序具有更高的噪声水平。 单细胞测序时，有些基因表达量较低而无法完全被检测到，这种由技术造成的检测基因表达数据不
InferCNV可以用于肿瘤单细胞RNA-Seq数据中鉴定大规模染色体拷贝数变异，例如整个染色体或大片段染色体的扩增或缺失。基本思路是在整个基因组范围内，将每个肿瘤细胞基因表达与平均表达或“正常”参考细胞基因表达对比，确定其表达强度。 这段话来自InferCNV官方文档：https://github.co
摘要单细胞多组学最近成为一种功能强大的技术，可以同时记录不同层次的基因组输出，从而记录细胞的身份和功能。将表观基因组的各个组成部分整合到多组学测量中，可以在不同的时间尺度研究细胞异质性，并发现基因组与其功能输出之间的分子连通性的新层次。越来越多的测量数据来自于那些识别
如果读过一些单细胞的文献，应该会经常看到一群名为"cycling cell"的亚群，T细胞、B细胞、上皮细胞等等在分亚群的时候，都可能碰到。实际上，这群细胞只是因为高表达一些与细胞周期相关的基因，才会被单独聚成一群，里面可能包含多种细胞亚群的混合，只要它们处于细胞周期/增殖状态。 当这群
之前我们根据GB 那篇文章了解到了对于常见的用于单细胞批次矫正分析的常见的方法Harmony LIGER以及Seurat3 等，那么文章也推荐如果是批次矫正后用于下游的分析的话推荐ComBat,MNN以及ZINB-WaVE以及scMerge这几种方法，但是其实这几种方法获得的批次效应处理和细胞类型聚类效果还
在上一篇中，我已经讲解了展示marker基因的前两种图形，分别是tsne/umap图、热图，感兴趣的读者可以回顾一下。这一节我们继续学习堆叠小提琴图和气泡图。 3. 堆叠小提琴图展示marker基因 相比于其他可视化形式，小提琴图可以更直观地展示某一类亚群的某一个基因的表达分布情况。我的mar
推荐阅读： 《用荧光素酶基因标记肿瘤细胞的实验步骤》 肿瘤药敏性检测方法学是抗癌药物评价和筛选的前提，也是临床化疗方案设计的基础。中国科学院青岛生物能源与过程研究所单细胞研究中心开发了基于拉曼组的肿瘤单细胞药敏检测新方法D2O-CANST-R，具有快速、低成本、单细胞器精度、
今天的内容讲讲单细胞文章中经常出现的展示细胞marker的图：tsne/umap图、热图、堆叠小提琴图、气泡图，每个图我都会用两种方法绘制。 使用的数据来自文献：Single-cell transcriptomics reveals regulators underlying immune cell diversity and immune subtypes associated with pr
原文地址：https://science.sciencemag.org/content/365/6460/1401 <更多精彩，可关注微信公众号：AIPuFuBio，和大型免费综合生物信息学资源和工具平台AIPuFu：www.aipufu.com> Mapping human cell phenotypes to genotypes with single-cell genomics 摘要 身体所有细胞的累积活动
iSyTE 2.0: a database for expression-based gene discovery in the eye - 眼睛发育 StemMapper: a curated gene expression database for stem cell lineage analysis - 干细胞的lineage数据库 DBTMEE: a database of transcriptome in mouse early embryos - 早期胚胎发育 E
单细胞技术在飞速发展，随着数据的积累，对应的数据库也相应出现。 CellMarker - 总结了目前的celltype对应的marker，同时给出了数据的文献链接。Mouse Cell Atlas - 2017年Nature文章，相当于把整个小鼠都测了，得到了一大堆的10x数据，郭国冀。PanglaoDB - 人鼠单细胞数据库，比较全面。sig
