常见的scRNA-seq数据分析图主要包括两大方面,一个是细胞层面的聚类效果图,另一个是基因表达相关的图。 一 细胞的聚类效果图UMAP/t-SNE Seurat提供了t-SNE和UMAP的降维功能,通过非线性的方法将细胞在高维度的拓扑结构映射到二维平面中, 在其可视化效果图中能将细胞群分成不同的集群,通过注释显示出不同的细胞类型。
总共171个pLCOs样本来自7名患者,这些样本在MoSMAR-chip上被分配,接受αPD-1抗体或对照IgG处理后,被消化成单个细胞进行FascRNA-seq。在t-SNE图中,源自这171个pLCOs的细胞展示了约6000个细胞的分布(图3F)。标志基因的表达水平与注释的...
t-SNE基于前面提到的主成分分析得到的数据进一步做降维分析,一般在单细胞测序中,取前30个主成分的数据。“邻居”提示成分相近的点会有相互作用,可以从视觉感知这些细胞的关系。 UMAP(Uniform Manifold Approximation and Projection for Dimension Reduction,一致的多方面逼近和投影进行降维) UAMP相比t-SNE图保留更多整体...
关于t-SNE (t-Distributed Stochastic Neighbor Embedding),是一种经典的流形学习算法,关于流形学习网上已经有很多介绍了, 环湖医院 数据中心对流形学习的解释就是一种由高维映射到低维的一种方法,仅此而已。但流形学习算法环湖医院数据中心认为由于它的随机性是非常耗时的学习方法,并不推荐它作为主要的临床研究方法。
介绍:T-SNE是一种用于探索高维数据的非线性降维算法。它将多维数据映射到适合于人类观察的两个或多个维度。 单细胞测序的意义:根本在于细胞的异质性。就是说,细胞与细胞之间存在个体差异性,即便是出于同一位置的细胞,也可能在基因表达等方面存在一些差异。
UMAP:与t-SNE类似,但计算速度更快,适用于大规模数据; Seurat 和 Scanpy:除了聚类和差异表达分析功能外,还提供多种可视化方法。 表格1 单细胞转录组测序数据分析主流工具包的优缺点; 尽管已有大量的软件包和方法可用于单细胞转录组测序数据分析,但仍然存在一些挑战需要研究者们在未来继续探索。以下是一些值得关注的研...
随后利用t-SNE降维聚类，根据细胞基因表达值将其化为9个不同的簇（T/NK细胞、巨噬细胞、嗜中性粒细胞、肥大细胞、B细胞、内皮细胞、成纤维细胞、平滑肌细胞）。作者将细胞类型的标记基因表达情况用t-SNE图谱来展示出来。接下来对这9种类型的细胞在正常宫颈、HSIL、宫颈肿瘤、淋巴结转移灶中细胞数目和比例做出统计...
下图:t-SNE图,显示了在单个细胞水平上血液来源的巨噬细胞基因标记和小胶质细胞基因标记的相对表达水平,右侧的颜色图例(n = 4)。结果分析:CD73hi骨髓簇具有高表达的基因暗示了血液来源的巨噬细胞特征,而不是小胶质细胞特征。 图2d:...
1.细胞分群的t-SNE图: 该图代表t-SNE定位并基于Graphcluster或者KMean算法无监督聚类后的分群情况。 左图中cluster8被其他群分割成两部分,这样的t-SNE分群结果并不是特别理想。建议调整分析时的resolution参数,将其调大,使分群更加细致。将resolution参数由0.8调至1.0,得到右图较好的t-SNE分群结果。
随后,使用已知细胞标记物验证每个细胞亚群(图6E和6F)。PDCD1+表达水平分析表明,PDCD1+分布于不同T细胞亚群。巨噬细胞的重聚类分别得到7个和10个细胞亚群(图6I和6L)。每个细胞亚群包括多个样本(图6J和6M)。t-SNE图表明PDAC组织中的亚群6和亚群1和5中CD274表达富集(图6K和6N)。