GetAssayData(): 获取表达数据,使用layer参数来指定数据类型,例如counts(原始计数数据)或data(归一化数据)。 获取计数矩阵count_matrix <- GetAssayData(seurat_object, layer = "counts") 获取归一化后的表达数据normalized_data <- GetAssayData(seurat_object, layer = "data") Idents(): 获取或设置细胞的分...
做海量单细胞测序,大概大部分的人都会从seraut开始,功能有很多,主要是获得matrix后的数据可视化,在分析的过程中,细胞类型注释是比较l考验操作人员的问题,具体的方法有很多,我在文中做了简单的介绍,其中对于操作者而言最简单的方式大概使用软件进行自动化注释了,所以也对singleR进行了一个测试,供大家参考~~ 1 首先先...
test_data=Load10X_Spatial(data.dir="./input/",filename="Visium_FFPE_Human_Normal_Prostate_filtered_feature_bc_matrix.h5",assay="Spatial",slice="test")head(test_data@meta.data)SpatialDimPlot(test_data,alpha=0)#和单细胞数据一样,可以人为更改这些命名 test_data@project.name<-"test"Idents(test...
pbmc$nCount_RNApbmc[[c("percent.mito", "nFeature_RNA")]]# Add metadata, see ?AddMetaDatarandom_group_labels <- sample(x = c("g1", "g2"), size = ncol(x = pbmc), replace = TRUE)pbmc$groups <- random_group_labels# Retrieve or set data in an expression matrix ('counts', '...
warning("Some cells in meta.data not present in provided counts matrix") } } # 创建 assay 对象,并按照 min.cells, min.features 过滤assay.data <- CreateAssayObject( counts = counts, min.cells = min.cells, min.features = min.features, ...
inputdata.10x<-Read10X_h5("/brahms/hartmana/vignette_data/pbmc_cellranger_arc_2/pbmc_granulocyte_sorted_10k_filtered_feature_bc_matrix.h5")# 提取RNA和ATAC数据rna_counts<-inputdata.10x$`Gene Expression` atac_counts<-inputdata.10x$Peaks# 创建Seurat对象obj.multi<-CreateSeuratObject(counts=rna_...
但为了演示如何组合多个样本数据,还是使用了自己之前用cellranger得到的4个count结果 下面会组合四个PBMC数据 打开Rstudio后注意一个小技巧 红色箭头指的是刷新,当有新文件生成时,记得刷新一下,否则文件名有时显示不出来; 橙色箭头指的是回到最开始定位的路径 ...
balbc_pbmc <- Read10X_h5("vdj_v1_mm_balbc_pbmc/vdj_v1_mm_balbc_pbmc_5gex_filtered_feature_bc_matrix.h5") s_balbc_pbmc <- CreateSeuratObject(counts = balbc_pbmc, min.cells = 3, min.features = 200, project = "cellranger") ...
首先,先将peak矩阵转成基因活跃度矩阵。Seurat做了一个简单的假设,基因活跃度可以通过简单的将落在基因区和其上游2kb的count相加得到基因活跃度,并且这个结果Cicero等工具返回gene-by-cell矩阵是类似的。 library(Seurat)library(ggplot2)# 读取peakpeaks <- Read10X_h5(atac_peak_file)activity.matrix <- CreateGe...
C<-GetAssayData(object = raw_sce, slot ="counts") percent.ribo <- Matrix::colSums(C[rb.genes,])/Matrix::colSums(C)*100 raw_sce <- AddMetaData(raw_sce, percent.ribo, col.name ="percent.ribo") plot1 <- FeatureScatter(raw_sce, feature1 ="nCount_RNA", feature2 ="percent.mt")...