Seurat 对象中assays用于存储表达矩阵, counts存储原始数据(稀疏矩阵),data存储Normalize()之后的数据,scale.data存储ScaleData()缩放后的数据,SCT存储标准化之后的数据, meta.data存储细胞注释信息(或称为临床信息), active.assay存储默认的矩阵名, active.ident存储默认的细胞注释信息(或称为临床信息)。 library(Seura...
在Seurat 的早期版本中,引入了整合分析方法,包括“anchor-based”的整合工作流程。许多实验室还发布了用于整合分析的强大且开创性的方法,包括 Harmony 和**scVI **。 目的 以下教程旨在使用 Seurat 对复杂细胞类型进行的各种比较分析。在这里,我们解决了几个关键目标: 识别两个数据集中都存在的细胞亚群 获得在对照细...
Seurat v5 整合过程旨在返回一个单维缩减,捕获多个层之间共享的方差源,以便处于相似生物状态的细胞能够聚集。该方法返回降维(即integrated.cca),可用于可视化和无监督聚类分析。为了评估性能,我们可以使用 seurat_annotations 元数据列中预加载的单元格类型标签。 代码语言:javascript 复制 ifnb<-IntegrateLayers(object=if...
常见的scRNA-seq数据分析图主要包括两大方面,一个是细胞层面的聚类效果图,另一个是基因表达相关的图。 一 细胞的聚类效果图UMAP/t-SNE Seurat提供了t-SNE和UMAP的降维功能,通过非线性的方法将细胞在高维度的拓扑结构映射到二维平面中, 在其可视化效果图中能将细胞群分成不同的集群,通过注释显示出不同的细胞类型。
2. Seurat整合流程与原理 (1)使用CCA分析将两个数据集降维到同一个低维空间,因为CCA降维之后的空间距离不是相似性而是相关性,所以相同类型与状态的细胞可以克服技术偏倚重叠在一起。CCA分析效果见下图: 左图使用PCA降维,细胞之间的距离体现的是转录特征相似性,批次效应引入的系统误差会使样本分离。右图使用CCA降维,...
需要安装,使用SeuratDisk包的两个函数; 先将后h5ad格式转换为h5seurat格式,再使用LoadH5Seurat()函数读取Seurat对象。 示例数据集:GSE153643 #remotes::install_github("mojaveazure/seurat-disk")library(SeuratDisk)Convert("GSE153643_RAW/GSM4648565_liver_raw_counts.h5ad","h5seurat",overwrite=TRUE,assay="RNA...
Seurat分析流程入门 1. 数据与R包准备 以下代码在RStudio中实现，Seurat 4.0。1.1 PMBC数据下载 下载2700个10X单细胞-外周血单核细胞（PBMC）数据集。1.2 分析R包安装 2. 数据预处理 2.1 构建单细胞Seurat对象 Read10X函数读取，返回独特的分子识别（UMI）计数矩阵。矩阵中的行值表示每个功能（即...
SC3是一种无监督的方法,其结合了多个聚类方法,具有高精度和鲁棒性。Seurat主要基于共享近邻(shared nearest neighbor, SNN)聚类算法来识别细胞簇。一旦确定了亚群,通常通过差异表达分析或方差分析(ANOVA)来识别最能区分不同亚群的标记。 SC3可以帮助确定亚克隆组成的额外证据...
一、创建 Seurat 对象 使用的示例数据集来自10X Genome 测序的 Peripheral Blood Mononuclear Cells (PBMC)。 下载链接:https://s3-us-west-2.amazonaws.com/10x.files/samples/cell/pbmc3k/pbmc3k_filtered_gene_bc_matrices.tar.gz library(dplyr)
Seurat 3.X版本能够整合scRNA-seq和scATAC-seq, 主要体现在: 基于scRNA-seq的聚类结果对scATAC-seq的细胞进行聚类 scRNA-seq和scATAC-seq共嵌入(co-embed)分析 整合步骤包括如下步骤: 从ATAC-seq中估计RNA-seq表达水平,即从ATAC-seq reads定量基因表达活跃度 使用LSI学习ATAC-seq数据的内部结构 鉴定ATAC-seq和RNA...