创建Seurat对象,project="G"的G是个名字,min.cells = 3表示:,min.features = 200表示:。 pbmc_G <- CreateSeuratObject(count=pbmc.data_G,project="G",min.cells = 3,min.features = 200) 自动计算线粒体,核糖体。 # 备份数据 pbmc_G1 <- pbmc_G # 自动计算线粒体 pbmc_G1[["percent.mito"]...
结论就是seurat3的merge功能和cellranger的aggr整合多个10X单细胞转录组的效果是类似的,但是仍然是有学员提出merge完全不带任何样本效应处理的功能,就只是合并一下数据,这个时候SCtransform就值得拥有。 我们下一讲会详细说明,其实大家也可以自己看看试试看更多数据整合,去除批次效应算法,比如 Batch correction: integrative ...
possorted_genome_bam.bam.bai:索引文件 filtered_gene_bc_matrices:是重要的一个目录,下面又包含了 barcodes.tsv.gz、features.tsv.gz、matrix.mtx.gz,是下游Seurat、Scater、Monocle等分析的输入文件 filtered_feature_bc_matrix.h5:过滤掉的barcode信息HDF5 format raw_feature_bc_matrix:原始barcode信息 raw_featu...
我们得比较一下,作者的cellranger的aggr整合多个10X单细胞转录组得到的表达矩阵,跟我们使用seurat3的merge功能整合8个10X单细胞转录组样本后的表达矩阵是否有差异。 幸运的是,作者在GEO数据库也放上去了自己cellranger的aggr整合多个10X单细胞转录组得到的表达矩阵,所以我们只需要下载走seurat3的降维分群即可跟昨天的教程...
我们得比较一下,作者的ellranger的aggr整合多个10X单细胞转录组得到的表达矩阵,跟我们使用seurat3的merge功能整合8个10X单细胞转录组样本后的表达矩阵是否有差异。 幸运的是,作者在GEO数据库也放上去了自己ellranger的aggr整合多个10X单细胞转录组得到的表达矩阵,所以我们只需要下载走seurat3的降维分群即可跟昨天的教程:...
cellranger处理scRNA-seq数据的分析流程可以划为四步:拆分数据(mkfastq)、细胞定量(count)、定量整合(aggr)、数据下游分析(reanalysis)。但是目前,单细胞数据下游分析一般交给Seurat或Scanpy,因此cellranger的主要用途是使用测序数据(fastq)生成feature-barcode表达谱。接下来就为大家简单介绍cellranger软件的使用方法。
一般生物信息流程主要由软件(安装与参数)、数据库(结构和生物学意义)和数据分析(统计学和编程)组成,目前单细胞分析用到的软件主要是FastQC、Cellranger和R包Seurat、monocle;数据库有相应物种的参考基因组、KEGG、GO;数据分析部分主要基于count矩阵和差异表达数据用R或者Python来做。
cellranger处理scRNA-seq数据的分析流程可以划为四步:拆分数据(mkfastq)、细胞定量(count)、定量整合(aggr)、数据下游分析(reanalysis)。但是目前,单细胞数据下游分析一般交给Seurat或Scanpy,因此cellranger的主要用途是使用测序数据(fastq)生成feature-barcode表达谱。接下来就为大家简单介绍cellranger软件的使用方法。
cellranger reanalyze :接受 cellranger count 或 cellranger aggr 生成的 gene-barcode 矩阵,使用不同的参数进行降维、聚类。 结果主要是包含有细胞信息的 BAM, MEX, CSV, HDF5 和 HTML 文件。 使用cellranger count 准备 修改文件名称 cellranger的输入文件格式是fq格式,并且文件的命名也是有要求,文件命名格式如...
还有:使用seurat3的merge功能整合8个10X单细胞转录组样本和seurat3的merge功能和cellranger的aggr整合多个10X单细胞转录组对比。 技术细节可以看: 10X scRNA免疫治疗学习笔记1-前言 10X scRNA免疫治疗学习笔记-2-配置Seurat的R语言环境 10X scRNA免疫治疗学习笔记-3-Seurat标准流程 ...