该比较中 UMAP 的不同之处在于其扩展至大量细胞的速度和能力 (Becht et al,2018)。因此,在没有特殊生物学问题的情况下,我们将 UMAP 视为探索性数据可视化的最佳实践。而且,UMAP 还可以在两个以上维度汇总数据。虽然我们不知道 UMAP 在数据汇总中的任何应用,但它可能证明是 PCA 的合适替代方法。 细胞水平上经典
对于单细胞RNA测序数据,通常需要进行2次降维处理,分别为主成分分析(PCA)降维和t-SNE/UMAP降维,并进行可视化。 PCA PCA是一种数学线性维度算法,它利用正交变换将一系列可能线性相关的变量转换为新的线性不相关的变量,从而利用新的变量在低维上显示数据的特征。PCA已广泛应用于scRNA-seq研究,以克服任何单一特征中的...
AI代码解释 plot1<-UMAPPlot(seurat_DS1,label=T)plot2<-UMAPPlot(seurat_DS1,group.by="celltype_maxcor",label=T)plot1|plot2
如前所述,在 UMAP 嵌入中看到的背侧端脑细胞形成的类似轨迹的结构,很可能代表了背侧端脑兴奋性神经元的分化和成熟过程。这个过程很可能是连续的,因此将其视为一个连续的轨迹,而非不同的聚类,更为合适。在这种情况下,进行所谓的伪时间细胞排序或伪时间分析会更加具有信息价值。 目前,有许多不同的伪时间分析方法。
UMAP聚类分析表明,不同免疫细胞诱导的生物膜转录群体具有显著差异,反映了其对免疫挑战的差异性反应。此外,毒力、应激反应及代谢相关的转录调控网络在不同免疫环境下的变化为研究生物膜-宿主相互作用提供了新视角。 图6 生物膜对不同的免疫压力表现出差异化的响应...
如前所述,在 UMAP 嵌入中看到的背侧端脑细胞形成的类似轨迹的结构,很可能代表了背侧端脑兴奋性神经元的分化和成熟过程。这个过程很可能是连续的,因此将其视为一个连续的轨迹,而非不同的聚类,更为合适。在这种情况下,进行所谓的伪时间细胞排序或伪时间分析会更加具有信息价值。
如前所述,在 UMAP 嵌入中看到的背侧端脑细胞形成的类似轨迹的结构,很可能代表了背侧端脑兴奋性神经元的分化和成熟过程。这个过程很可能是连续的,因此将其视为一个连续的轨迹,而非不同的聚类,更为合适。在这种情况下,进行所谓的伪时间细胞排序或伪时间分析会更加具有信息价值。
snRNA-seq分析得到了8635个细胞核和22,568个基因,每个细胞平均得到2662.6 reads。UMAP显示了24个不同的细胞类群,,其中最多的是内皮细胞(28.8%)、成纤维细胞(25.3%)和心肌细胞(22.8%),它们分别含有约2500个、2200个和2000个细胞核。 图. sn...
plot1<-UMAPPlot(seurat_DS1,label=T)plot2<-UMAPPlot(seurat_DS1,group.by="celltype_transfer",label=T)plot1|plot2 TransferData 函数的输出不仅有预测的标签,还提供了更多细节。对于需要转移的分类信息(比如这里的细胞类型标签),输出数据框中还包括每个细胞针对不同参考细胞类型的预测得分,这些得分可以理解为...
(A) 由Louvain聚类发现的带注释的细胞识别簇,在 UMAP 表示中可视化。(B) 细胞识别标记物表达,以鉴定干细胞 (Slc12a2)、肠细胞 (Arg2)、杯状细胞 (Tff3) 和潘氏细胞 (Defa24)。从低表达(灰色)到高表达(红色)可视化校正表达水平。如杯状细胞和潘氏细胞所示,标记基因也可能在其他细胞同一性群体中表达。近端(...