- 综合排序
- 最热优先
- 最新优先
- 来自专栏单细胞天地
scRNA-seq Clustering
那么重新回到QC过滤掉，然后重整合/分群可能会很有帮助 如果未将所有细胞类型检测为单独的群集，请尝试更改用于分群的分辨率或PC数量 基于top-PCs（metagenes）的细胞分群 识别重要的PCs 为了克服scRNA-seq 原文链接：https://hbctraining.github.io/scRNA-seq/schedule/
1.3K22发布于 2020-07-27 - 来自专栏单细胞天地
scRNA-seq Clustering(二)
原文链接：https://hbctraining.github.io/scRNA-seq/schedule/ 点击 “阅读原文” 可直达。
2.2K40发布于 2020-08-12 - 来自专栏单细胞天地
scRNA-seq marker identification(二)
回顾 单细胞RNA-seq分析介绍 单细胞RNA-seq的设计和方法 从原始数据到计数矩阵 差异分析前的准备工作 scRNA-seq——读入数据详解 scRNA-seq——质量控制 为什么需要Normalization 和PCA分析 scRNA-seq聚类分析（一） scRNA-seq聚类分析（二） scRNA-seq Clustering (一) scRNA-seq Clustering (二) scRNA-seq Clustering quality control (一)scRNA-seq Clustering quality control (二)scRNA-seq marker identification 进行 ctrl 和 stim 条件之间的差异表达分析 生物重复是进行这项分析所必需的，我们有额外的资料（https://hbctraining.github.io/scRNA-seq/lessons/pseudobulk_DESeq2 原文链接：https://hbctraining.github.io/scRNA-seq/schedule/ 点击 “阅读原文” 可直达
1.9K31发布于 2020-12-11 - 来自专栏单细胞天地
scRNA-seq Clustering quality control
原文链接：https://hbctraining.github.io/scRNA-seq/schedule/ 点击 “阅读原文” 可直达 ?
85220发布于 2020-09-23 - 来自专栏用户7627119的专栏
scRNA-Seq数据预处理
（赶快关注我们吧~） 本期小编主要对scRNA-Seq的数据预处理（质控、细胞数量判断、多样本数据合并）进行介绍。 ? ? 下期小编将为大家讲解scRNA-Seq中数据标准化、降维及聚类分析。赶快关注我们一起来学习scRNA-Seq数据分析吧！
2.5K10发布于 2020-08-06 - 来自专栏单细胞天地
scRNA-seq—质量控制
回顾 单细胞RNA-seq分析介绍 单细胞RNA-seq的设计和方法 从原始数据到计数矩阵 差异分析前的准备工作 scRNA-seq—读入数据详解 学习目标 构建QC指标和相关的图，以直观地了解数据的质量 评估QC指标并设置过滤条件以删除低质量的细胞 scRNA-seq质量控制流程 ? filtered_seurat, file="data/seurat_filtered.RData") 文中链接 [1] 代码可用于自行计算该指标: https://github.com/hbctraining/scRNA-seq
3.3K10发布于 2020-05-19 - 来自专栏数据科学（冷冻工厂）
scRNA-seq｜Seurat 整合分析
简介 单细胞测序数据集的整合（例如跨实验批次、供体或条件）通常是 scRNA-seq 工作流程中的重要步骤。 同样，对于 scRNA-seq 整合，我们的目标不是消除不同条件下的生物学差异，而是在第一步中了解共享的细胞类型/状态 - 特别是因为这将使我们能够比较这些单个细胞类型的控制刺激和控制概况。
78711编辑于 2024-03-21 - 来自专栏单细胞天地
scRNA-seq marker identification(一)
回顾 单细胞RNA-seq分析介绍 单细胞RNA-seq的设计和方法 从原始数据到计数矩阵 差异分析前的准备工作 scRNA-seq——读入数据详解 scRNA-seq——质量控制 为什么需要Normalization 和PCA分析 scRNA-seq聚类分析（一） scRNA-seq聚类分析（二） scRNA-seq Clustering (一) scRNA-seq Clustering (二) scRNA-seq Clustering quality control (一) scRNA-seq Clustering quality control (二) 学习目标 了解如何确定单个群集的标记 了解聚类和标记识别的迭代过程 为此，将此文件（https://github.com/hbctraining/scRNA-seq/raw/master/data/annotation.csv）下载到您的数据文件夹。 annotations <- read.csv("data/annotation.csv") 注意：如果您有兴趣了解我们是如何获得此注释文件的，请查看链接(https://hbctraining.github.io/scRNA-seq
4.4K42发布于 2020-10-19 - 来自专栏单细胞天地
SCRNA-seq聚类分析（二）
回顾 单细胞RNA-seq分析介绍 单细胞RNA-seq的设计和方法 从原始数据到计数矩阵 差异分析前的准备工作 scRNA-seq——读入数据详解 scRNA-seq——质量控制 为什么需要Normalization 和PCA分析 scRNA-seq聚类分析（一） Integrate samples using shared highly variable genes 如果细胞按样本、条件、数据集或模式进行聚类，此步骤可以极大地改进您的聚类和下游分析 不同的数据集(例如，在同一样本上使用不同的文库制备方法生成的数据集的scRNA-seq) ? 不同的模式(例如scRNA-seq和scATAC-seq) ? 原文链接：https://hbctraining.github.io/scRNA-seq/schedule/ 点击 “阅读原文” 可直达 References [1] Stuart and Bulter
1.3K20发布于 2020-06-10 - 来自专栏单细胞天地
scRNA-seq—读入数据详解
library(Seurat) library(tidyverse) library(Matrix) library(scales) library(cowplot) library(RCurl) 导入scRNA-seq dl=1 [9] 其他的材料: https://hbctraining.github.io/scRNA-seq/lessons/readMM_loadData.html [10] 一个Seurat对象: 原文链接：https://hbctraining.github.io/scRNA-seq/schedule/
4.8K20发布于 2020-05-26 - 来自专栏单细胞天地
scRNA-seq聚类分析(一)
Seurat最近介绍了一种新的scRNA-seq数据 normalization and variance stabilization方法，称为sctransform。 在进行scRNA-seq分析时，我们将选择最合适的分析方法用于分析的不同步骤。如果我们在一个Seurat对象中同时对这两个条件执行归一化，并可视化细胞之间的相似性，我们将看到特定于条件的聚类： ? dl=1 [4] 其他材料，: https://hbctraining.github.io/scRNA-seq/lessons/cell_cycle_scoring.html [5] vignette: 原文链接：https://hbctraining.github.io/scRNA-seq/schedule/
2K20发布于 2020-06-04 - 来自专栏单细胞天地
scRNA-seq数据处理—Kallisto
目录 ⊙引言—关于课程 ⊙scRNA-seq简介 ⊙scRNA-seq原始数据的质控 ⊙scRNA-seq数据处理—文件格式小结 ⊙scRNA-seq数据处理—demultiplexing ⊙scRNA-seq 数据的处理—STAR 正文 处理原始scRNA-seq数据 3.6 Kallisto和伪比对 STAR是reads比对器，而Kallisto是伪比对器（Bray等人，2016）。
1.6K20发布于 2020-03-27 - 来自专栏单细胞天地
scRNA-seq表达矩阵的构建
目录 ⊙引言—关于课程 ⊙scRNA-seq简介 ⊙scRNA-seq原始数据的质控 ⊙scRNA-seq数据处理—文件格式小结 ⊙scRNA-seq数据处理—demultiplexing ⊙scRNA-seq 数据的处理—STAR ⊙scRNA-seq数据处理—Kallisto 正文 表达矩阵的构建 scRNA-seq数据的许多分析以表达矩阵为起点。 4.1 reads QC scRNA-seq实验的结果是大量的cDNA reads的集合。第一步是确保reads具有高质量。 4.3 比对例子 下面的直方图显示了scRNA-seq实验中映射到每个细胞的读数总数。每个条形代表一个细胞，它们按照每个细胞的总读数按升序排序。 /featureCounts -Q 30 -p -a genome.gtf -o outputfile input.bam 独特的分子标识符（UMI）使得计算分子的绝对数量成为可能，并且它们已被证明在scRNA-seq
1.8K30发布于 2020-03-27 - 来自专栏单细胞天地
scRNA-seq数据处理—demultiplexing
正文 处理原始scRNA-seq数据 3.4 demultiplexing demultiplexing，指的就是将multiplexed的reads根据index从不同或者同一个lane中分出，生成
3.7K21发布于 2020-03-27 - 来自专栏单细胞天地
scRNA-seq Clustering quality control（二）
回顾 单细胞RNA-seq分析介绍 单细胞RNA-seq的设计和方法 从原始数据到计数矩阵 差异分析前的准备工作 scRNA-seq——读入数据详解 scRNA-seq——质量控制 为什么需要Normalization 和PCA分析 scRNA-seq聚类分析（一） scRNA-seq聚类分析（二） scRNA-seq Clustering (一) scRNA-seq Clustering (二) scRNA-seq 原文链接：https://hbctraining.github.io/scRNA-seq/schedule/ 点击 “阅读原文” 可直达 ----
89441发布于 2020-10-19 - 来自专栏数据科学（冷冻工厂）
Scanpy 分析 scRNA-seq数据|质控
在本文中，使用的数据来源于健康人类供体的骨髓单核细胞，这些数据属于 openproblem 的 NeurIPS 2021 基准数据集。这些样本是通过 10X Multiome 基因表达和染色质可及性试剂盒进行测量的。
28100编辑于 2025-05-14 - 来自专栏单细胞天地
scRNA-seq数据的处理—STAR
目录 ⊙引言—关于课程 ⊙scRNA-seq简介 ⊙scRNA-seq原始数据的质控 ⊙scRNA-seq数据处理—文件格式小结 ⊙scRNA-seq数据处理—demultiplexing 正文 处理原始 scRNA-seq数据 3.5 使用STAR比对reads 现在我们已经trim了我们的reads并确定它们质量很好，我们希望将它们比对（map）到参考基因组。
1.6K10发布于 2020-03-27 - 来自专栏单细胞天地
scRNA-seq原始数据的处理
目录 ⊙第一章：关于课程 ⊙第二章：单细胞RNA-seq简介 正文 处理原始scRNA-seq数据 3.1 FastQC 获得单细胞RNA-seq数据后，首先要做的就是检查已测序的读数的质量
1.6K10发布于 2020-03-27 - 来自专栏数据科学（冷冻工厂）
Scanpy 分析 scRNA-seq：细胞类型注释
引言 本系列讲解 使用Scanpy分析单细胞（scRNA-seq）数据教程[1]，持续更新，欢迎关注，转发！
26910编辑于 2025-05-21 - 来自专栏数据科学（冷冻工厂）
scRNA-seq 细胞通信 分析教程（长文+代码）
引言 本系列讲解 R语言中scRNA-seq数据分析教程[1] 简介 之前的分析主要关注单个细胞的状态。但在生物学中，细胞之间的通信可能同样重要，甚至更为关键。 不过，细胞通信无法通过单细胞 RNA 测序（scRNA-seq）数据直接检测。通信通常依赖于受体蛋白和与之特异性结合的配体分子。
29600编辑于 2025-05-09
腾讯云开发者
