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....
sc.tl.rank_genes_groups(adata, "clusters", method="t-test") sc.pl.rank_genes_groups_heatmap(adata, groups="5", n_genes=10,groupby="clusters") 15.cluster和基因表达展示 sc.pl.spatial(adata, img_key="hires", color=["clusters", "TP53"]) sc.pl.spatial(adata, img_key="hires", col...
for group in groups for key in ['names', 'pvals']}).iloc[0:6,0:6] 1. 2. 3. 4. 5. 6. 7. 8. # 比较组别间差异 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...
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、...
sc.pp.filter_cells(adata,min_genes=200)sc.pp.filter_genes(adata,min_cells=3) 过滤包含线粒体基因和表达基因过多的细胞 线粒体基因的转录本比单个转录物分子大,并且不太可能通过细胞膜逃逸。因此,检测出高比例的线粒体基因,表明细胞质量差(Islam et al. 2014; Ilicic et al. 2016)。
sc.pp.filter_cells(adata, min_genes=200) sc.pp.filter_genes(adata, min_cells=3) 1. 2. 过滤包含线粒体基因和表达基因过多的细胞 线粒体基因的转录本比单个转录物分子大,并且不太可能通过细胞膜逃逸。因此,检测出高比例的线粒体基因,表明细胞质量差(Islam et al. 2014; Ilicic et al. 2016...
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...
# 这里使用秩和检验sc.tl.rank_genes_groups(adata,'leiden',method='wilcoxon')sc.pl.rank_genes_groups(adata,n_genes=25,sharey=False)adata.write(results_file) num=2# 通过这个控制marker基因的数量marker_genes=list(set(np.array(pd.DataFrame(adata.uns['rank_genes_groups']['names']).head(num...
sc.tl.umap(adata,min_dist=0.3) computing UMAP finished: added 'X_umap', UMAPcoordinates(adata.obsm) (0:00:14) adata AnnDataobjectwithn_obs × n_vars=30804×3907obs:'n_genes','n_genes_by_counts','total_counts','total_counts_mt','pct_counts_mt','disease_group'var:'n_cells','...
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...