sc.tl.rank_genes_groups(): 识别各个簇的标记基因。 sc.pl.rank_genes_groups(): 可视化标记基因。 代码语言:javascript 复制 # 识别标记基因 sc.tl.rank_genes_groups(adata,'leiden',method='t-test')# 可视化标记基因 sc.pl.rank_genes_groups(adata,n_genes=25,sharey=False) 自动注释工具: sc.tl....
crop_coord=[500, 2000, 1000, 3000]) 随便剪裁了一下 14.clusters差异基因分析并绘图 计算标记基因并绘制cluster5的差异基因在不同cluster中表达情况的热图。 sc.tl.rank_genes_groups(adata, "clusters", method="t-test") sc.pl.rank_genes_groups_heatmap(adata, groups="5", n_genes=10,groupby="cl...
sc.tl.rank_genes_groups(adata, 'leiden', groups=['0'], reference='1', method='wilcoxon') sc.pl.rank_genes_groups(adata, groups=['0'], n_genes=20) sc.pl.rank_genes_groups_violin(adata, groups='0', n_genes=8) # 这里需要重载一下结果,如果不重载的话结果会有差异的 adata = sc....
sc.tl.rank_genes_groups(adata, groupby='leiden', method='wilcoxon') sc.pl.rank_genes_groups(adata, n_genes=20) 结果解读与报告: 对模型输出结果进行解读,如解释聚类结果、差异表达基因的意义等。 编写分析报告,总结分析结果,并提出可能的生物学意义。 此外,Python在单细胞分析中的优势包括多平台兼容、...
get.rank_genes_groups_df(adata, None) markers = markers[(markers.pvals_adj < 0.05) & (markers.logfoldchanges > .5)] markers # 保存 markers.to_csv(dir+'markers.csv') 差异结果: image-20221002002640069.png 使用模型标准化后的值做差异表达分析: markers_scvi = model.differential_expression(...
Wilcoxon rank-sum (Mann-Whitney-U) 检验的结果非常相似,还可以使用其他的差异分析包,如 MAST、limma、DESeq2 和 diffxpy。 代码语言:javascript 复制 sc.tl.rank_genes_groups(adata, 'leiden', method='wilcoxon') sc.pl.rank_genes_groups(adata, n_genes=25, sharey=False) # 保存这次的数据结果 adat...
adata = adata[adata.obs.n_genes_by_counts < upper_lim] adata = adata[adata.obs.pct_counts_mt < 20] adata = adata[adata.obs.pct_counts_ribo < 2] return adata 这个过程比较久,会依次读取GSE171524数据集中的26例样本,并进行上面的函数里面定义的分析。 这个过程中就可以跑去听听视频了。 import...
adata = adata[adata.obs.n_genes_by_counts <3000, :] adata = adata[adata.obs.pct_counts_mt <20, :] sc.pl.violin(adata, ['n_genes_by_counts','total_counts','pct_counts_mt'], jitter=0.4, multi_panel=True) 这里选择20这个阈值过滤线粒体,虽然有些高,但是原文作者是50过滤,我觉得较为...
sc.tl.rank_genes_groups(adata, 'leiden', method='t-test') sc.pl.rank_genes_groups(adata, n_genes=25, sharey=False) 1. 2. Wilcoxon rank-sum Wilcoxon rank-sum (Mann-Whitney-U) 检验的结果非常相似,还可以使用其他的差异分析包,如 MAST、limma、DESeq2 和 diffxpy。
sc.tl.rank_genes_groups(): 寻找差异表达基因。 数据可视化 Seurat (R) DimPlot(): 降维数据可视化。FeaturePlot(): 基因表达水平可视化。VlnPlot(): 小提琴图展示基因表达分布。 Scanpy (Python) sc.pl.umap() / sc.pl.tsne(): 降维数据可视化。sc.pl.dotplot() / sc.pl.violin(): 基因表达水平可视化...