测量数据 校正数据 缩减数据(降维) 这些处理层的顺序代表了 scRNA-seq 分析中的典型工作流程,也可以跳过某个处理层或者在处理阶段的顺序上有轻微的改变。例如,对于单批数据集,可能不需要进行数据校正。 图片中预处理阶段分为实测数据、校正数据和缩减数据 3 组。 将测量数据定义为原始数据和保留零结构的处理数...
我们可以使用 SCTransform 对基因表达数据进行标准化,并使用 PCA 降低维度。 DefaultAssay(pbmc) <- "RNA" pbmc <- SCTransform(pbmc) pbmc <- RunPCA(pbmc) DNA可及性数据处理 在这里,我们通过执行潜在语义索引( LSI ),以处理 scATAC-seq 数据集的相同方式处理 DNA 可及性检测。 DefaultAssay(pbmc) <- "ATA...
为了系统评估去卷积方法的性能，本研究使用了5个单细胞数据集，并生成模拟的批量RNA-seq数据：SKIN（健康皮肤）：用于评估不同细胞类型的去卷积能力；CRC（结直肠癌）：分析免疫细胞在肿瘤中的作用；PDAC（胰腺导管腺癌）：研究肿瘤微环境中不同细胞亚群的作用；CERE（小脑）：用于评估神经系统细胞的去卷积性能；PTC（...
Fig 1.肾脏scRNA-seq数据创建和分析流程。数据矩阵生成和质量控制 单细胞分析的关键是barcode，在逆转录过程中，barcode被添加到RNA分子中，从而可以识别单个细胞。第一个分析步骤是生成数据矩阵，数据矩阵表示来自原始测序文件的转录本数据库的barcode（细胞）。对于10×基因组学数据，CellRanger （table1，总结了文中提...
在当今生物医学研究的前沿，单细胞RNA测序（scRNA-seq）技术正引领着一场革命。这项技术能够以前所未有的精度观测单个细胞内的基因活动，帮助我们更好地理解生命系统、疾病原因和生物发育过程。然而，随着单细胞技术的快速发展，生物学家和数据科学家们面临着由海量高维基因数据带来的巨大挑战。现有的单细胞数据分析方法...
来自数据集的人多发性骨髓瘤 (MM) 细胞GSE118900单细胞 RNA-seq 转录组分析。 图一 a 显示所有单细胞中表达基因数量的分布图。 b 图显示所有单细胞的总计数分布。 C图显示了线粒体基因组在所有单细胞中的分布。 d对MM细胞中收集的单细胞前20个主成分采用Jackstraw法。
单细胞RNA-seq数据集通常包含多达30000个基因,到目前为止,我们仅删除了至少20个细胞中未检测到的基因。然而,许多剩余的基因没有提供信息,并且大多包含零计数。因此,标准预处理流程涉及特征选择步骤,旨在排除可能不代表样本间有意义的生物变异的无信息基因。
比较scRNA-seq数据集有两种主要方法。第一种方法是“以标签为中心”,其重点是通过比较单个细胞或细胞群来识别数据集中的等效细胞类型/状态。另一种方法是“跨数据集标准化”,它试图通过计算消除实验特定的技术/生物效应,以便可以合并分析来自多个实验的数据。
(f) 流式分选小胶质细胞(EdU+、EdU–)、巨噬细胞和对侧微胶质细胞的转录组的Spearman相关性与指示的RNAseq数据集的相关性。 (g) EdU+和EdU–流式分选小胶质细胞群之间的差异表达基因和GO分析。 (h) 流式分选正常脑小胶质细胞和携带GBM的对侧微胶质细胞之间的差异表达基因和GO分析。
CytoTRACE是一个通过scRNA-seq数据预测分化状态的稳健计算框架,在大规模数据集中得到验证,其性能优于现有的干性计算技术。由于染色质可通过单细胞基因计数定量反映,研究发现单细胞基因数与相应细胞的分化状态之间的显著关联。较高的单细胞基...