引申开来,当前可用的scRNA-seq分析教程也存在语言限制,而且许多是围绕这3大平台进行讲述的 (易生信2020年最新的单细胞课程会同时提供R和Python版本的最新分析流程): R and bioconductor tools: https://github.com/drisso/bioc2016singlecell;https://hemberg-lab.github.io/scRNA.seq.course/; https://www.ncbi....
首先,为了便于理解数据预处理时各个步骤的作用,有必要大致介绍一下单细胞RNA测序的过程,以及获得的原始数据相对于普通转录组分析的特点。 单细胞RNA测序(scRNA-seq):一种在细胞层面解析基因表达的技术,提供了前所未有的生物学系统解析能力。 创新意义:scRNA-seq技术揭示了细胞异质性,使得以前未知的细胞群体得以发现。
文章详细介绍了典型的单细胞 RNA-seq 数据分析步骤,包括预处理(质量控制、标准化、数据校正、特征选择和降维)以及细胞及基因水平的下游分析。 根据独立比较研究为这些步骤制定了当前(2019年)最佳实践建议,但是并没有标准化分析流程,而是概述了当前的最佳实践和独立于编程语言的通用工具。 单细胞RNA-seq数据分析最佳实践...
单细胞转录组(scRNA-seq)数据分析 | Scanpy数据可视化绘制发表级别Figure 6347 -- 33:07 App 【FDU生统实践课-2】单细胞RNA-seq全流程分析 30分钟入门 3250 1 4:30 App 单细胞测序-生信结果解读系列-细胞图谱 3.4万 22 13:17 App 2022最新单细胞转录组(scRNA-seq)全流程分析-最佳实践 6283 2 46:49 Ap...
图1. 典型的单细胞 RNA-seq 分析工作流程示意图。原始测序数据经过处理和比对,得到计数矩阵,代表工作流程的开始。计数矩阵经过预处理和下游分析。使用 Haber et al (2017) 肠上皮细胞数据的最佳实践工作流程生成子图。 框1:实验性scRNA-seq工作流的关键元素 ...
Feature selection。降低scRNA-seq数据集维数的第一步通常是特征选择。这一步,数据集会过滤并只留下那些有信息性的具有变化的基因(HVGs,highly variable genes)。根据任务和数据集的复杂性,通常选择1,000至5,000个HVG用于下游分析。 Klei...
已经成为Scanpy和Seurat单细胞分析平台中默认聚类的方法。已有研究表明,它在单细胞RNA- seq数据聚类方面优于其他聚类方法(Duo ' et al, 2018;(Freytag et al, 2018)。 从概念上讲,Louvain 算法将社区检测为一组单元,它们之间的链接比从单元的总链接数预期的要多。优化的模块功能包含一个解析参数,允许用户确定...
单细胞RNA-seq数据分析最佳实践(上) Pre-processing and visualization Normalization 计数矩阵中的每个计数代表细胞 mRNA 分子的成功捕获、逆转录和测序(框 1)。由于每个步骤固有的变异性,相同细胞的计数深度结果却可能不同。因此,当基于计数数据比较细胞间的基因表达时,任何差异可能仅由采样效应( sampling effects.)引...
这项技术的巨大潜力激励了计算生物学家开发了一系列分析工具。尽管开发者为了确保单个工具的可用性付出了巨大的努力,但是由于该领域的相对不成熟,对于单细胞数据分析的新手来说,入门的障碍是缺少一份标准指南。在本文中,我们提供了一份scRNA-seq分析的参考教程,并概述了当前的最佳实践方案,为将来的分析标准化奠定了...
单细胞RNA-seq数据分析最佳实践(上) Pre-processing and visualization Normalization 计数矩阵中的每个计数代表细胞 mRNA 分子的成功捕获、逆转录和测序(框 1)。由于每个步骤固有的变异性,相同细胞的计数深度结果却可能不同。因此,当基于计数数据比较细胞间的基因表达时,任何差异可能仅由采样效应( sampling effects.)引...