reuse.pANN = FALSE, # 首次运行需生成pANN矩阵 sct = F) # 不使用SCTransform数据 sc_data <- doubletFinder(sc_data, PCs = 1:15, pN = 0.25, pK = mpK, nExp = nExp_poi.adj, # 使用调整后的双细胞数 reuse.pANN = F, # 复用已有的pANN矩阵加速 sct = F) # 第六步:清洗数据——剔除...
(1 - homotypic.prop)) # 使用确定的参数鉴定doublets sce_list[["C1"]] <- doubletFinder(sce_list[["C1"]], PCs = pc.num, pN = 0.25, pK = pK_bcmvn, nExp = nExp_poi.adj, reuse.pANN = F, sct = F) # 也可以选择T # 图片展示 DimPlot(sce_list[["C1"]], reduction = "umap...
reuse.pANN:表示是否重用之前计算出来的pANN值,pANN是每个细胞的最近邻居中人工异源双细胞的比例。 sct:表示是否使用了SCTransform方法进行标准化。 scRNA<-doubletFinder_v3(scRNA,PCs=1:15,pN=0.25,pK=pK_bcmvn,nExp=nExp_poi.adj,reuse.pANN=F,sct=T) ## 运行结果储存在scRNA@meta.data中 #可视化如图 #...
AI代码解释 pbmc<-doubletFinder_v3(pbmc,PCs=pc.num,pN=0.25,pK=pK_bcmvn,nExp=nExp_poi.adj,reuse.pANN=F,sct=T) 5.结果展示 代码语言:javascript 代码运行次数:0 运行 AI代码解释 DimPlot(pbmc,reduction="umap",group.by="DF.classifications_0.25_11_171") 至此便是双细胞检测的所有步骤,欢迎你给...
object<-doubletFinder_v3(object,PCs=1:30,pN=0.25,pK=pK_bcmvn,nExp=nExp_poi.adj,reuse.pANN=FALSE,sct=T) 以上就是doubletfinder去除双胞的关键步骤,可视化去除双胞结果。 代码语言:javascript 代码运行次数:0 运行 AI代码解释 # 可视化DimPlot(object,reduction="UMAP",group.by="DF.classifications_0.25...
rna <- doubletFinder(rna, PCs = 1:20, pN = 0.25, pK = pK.1, nExp = nExp_poi, reuse.pANN = FALSE, sct = FALSE) 提取预测结果,预计得到249个双细胞 # 预测结果 meta <- rna@meta.data head(meta) doublet.column <- paste0("DF.classifications_0.25_",pK.1,"_",nExp_poi) ...
Furthermore, doubletFinder_v3 is also need to be changed accordingly: doubletFinder_v3_SeuratV5<-function(seu,PCs,pN=0.25,pK,nExp,reuse.pANN=FALSE,sct=FALSE,annotations=NULL) { require(Seurat) require(fields) require(KernSmooth)if(reuse.pANN!=FALSE) {pANN.old<-seu@meta.data[,reuse.pANN]...
pANN[i,1] <- length(grep("X", neighbor.names)) / k doubletFinder <- function(seu, pN = 0.25, pK, nExp, reuse.pANN = FALSE) { require(Seurat); require(fields); require(KernSmooth) ## Generate new list of doublet classificatons from existing pANN vector to save time if (reuse....
pbmc <- doubletFinder_v3(pbmc, PCs= 1:10, pN = 0.25, pK = pK_bcmvn, nExp = nExp_poi.adj, reuse.pANN = F, sct = F) 主要参数如下所述: http://events.jianshu.io/p/6770c6a05287 从下面的结果,可以看出预测完之后,亏有pANN和DF.classifications两个量。
最后,我们运用 pbmc <- doubletFinder_v3(pbmc, PCs = 1:20, pN = 0.25, pK = mpK, nExp = nExp_poi, reuse.pANN = FALSE, sct = FALSE) 就大功告成了~~~