这种分析尤其困难,因为scATAC-seq数据集的注释工作较为复杂,这不仅因为单细胞水平上收集的基因组数据较为稀疏,也因为scRNA-seq数据中缺少易于解释的基因标记。 在2019年由Stuart*, Butler*等人的研究中,引入了一种方法,用以整合来自同一生物体系的scRNA-seq和scATAC-seq数据集,并在本文[1]中展示了这些方法的应用。
识别scRNA-seq 和 scATAC-seq 数据集之间的anchors 为了在单细胞RNA测序(scRNA-seq)和单细胞ATAC测序(scATAC-seq)实验之间找到相互关联的“锚点”,首先利用Signac软件包中的GeneActivity()函数,通过计算2kb启动子区域和基因体内的ATAC-seq测序计数,来估算每个基因的转录活性。 接下来,使用scATAC-seq数据得到的基因活性...
这种分析尤其困难,因为scATAC-seq数据集的注释工作较为复杂,这不仅因为单细胞水平上收集的基因组数据较为稀疏,也因为scRNA-seq数据中缺少易于解释的基因标记。 在2019年由Stuart, Butler等人的研究中,引入了一种方法,用以整合来自同一生物体系的scRNA-seq和scATAC-seq数据集,并在本文中展示了这些方法的应用。 分析要点...
例如,用户可以在同一生物系统上执行 scRNA-seq 和 scATAC-seq 实验,并使用同一组细胞类型标签对两个数据集进行一致注释。这种分析尤其具有挑战性,因为 scATAC-seq 数据集很难注释,因为以单细胞分辨率收集的基因组数据稀疏,而且 scRNA-seq 数据中缺乏可解释的基因标记。 在Stuart、Butleret al, 2019中,我们介绍了整...
简介:单细胞分析|整合 scRNA-seq 和 scATAC-seq 数据 引言 单细胞转录组学极大地提升了对细胞状态进行分类的能力,但要深入理解生物学现象,不能仅仅停留在对细胞群的简单列举上。随着新方法的不断涌现,用于测量细胞的不同状态,一个关键的挑战是如何将这些数据集整合起来,以便更全面地理解细胞的特性和功能。
但是,我们可以通过两个数据集之间的整合分析,将scRNA-seq得到的注释结果转移到scATAC-seq的聚类结果上,这种方法被称为标签转移(label transfer)。不过,通过转移得到的标签不一定完全正确,存在一个置信度问题。所以,在标签转移方法的输出中,会附带一个置信度矩阵,对每个转移后的注释进行置信度评分。 具体来说,直接使用...
例如,用户可以在相同的生物系统上执行scRNA-seq和scatac-seq实验,并用相同的细胞类型标签集一致地注释这两个数据集。这一分析特别具有挑战性,因为scatac-seq数据集很难注释,因为以单细胞分辨率收集的基因组数据稀少,而且scRNA-seq数据中缺乏可解释的基因标记。