由于高噪音(例如,dropouts和不均匀的转录本覆盖)和低覆盖,最初为bulk RNAseq数据开发的可变剪接量化方法不适用于scRNA-seq数据。由于表达动态是细胞种群的一个关键方面,因此有必要在单细胞水平研究AS。到目前为止,只有少数几个AS分析方法可以适用于scRNA...
【拟时序分析】 【可变剪切】等分析进行介绍。 数据降维和特征筛选 大家都知道scRNA-seq数据具有高维性,涉及数千个基因以及大量细胞。降维和特征选择是处理高维数据的两种主要策略。降维方法通常通过最优地保留原始数据的一些关键属性来将数据投影到更低的维度空间中。PCA是一种线性降维算法,它假设数据近似正态分布。t...
而我通过cellranger获得的表达矩阵等三个数据中,不包含批次信息。因此我才用默认设置。 barcodes.png features.png Matrix.png 细胞聚类 # ln -s /opt/conda/pkgs/libgfortran4-7.5.0-h14aa051_20/lib/libgfortran.so.4.0.0 /usr/lib64/libgfortran.so.4 cds = cluster_cells(cds, resolution=1e-5)...
scRNA-seq数据的技术可变性、高噪声和庞大的样本给差异表达分析带来了挑战。此外,在一个细胞群中可能存在多种细胞状态,导致细胞中基因表达的多样性。最初为bulk RNA-seq数据开发的工具已经在许多单细胞研究中用于识别DEGs,但是这些方法对scRNA-seq数据的适用性仍然不清楚。近年来,人们提出了一些基于scRNA-seq数据进行差...