scRNA-seq 数据的解释需要有效的预处理和标准化,以消除这种技术变异性。 本文[1]介绍了一个建模框架,用于对 scRNA-seq 实验中的分子计数数据进行标准化和方差稳定。该过程省略了对启发式步骤的需要,包括伪计数加法或对数转换,并改进了常见的下游分析任务,例如降维和差异表达。我们将此方法命名为 sctransform。 代码语...
scRNA-seq 数据的解释需要有效的预处理和标准化,以消除这种技术变异性。 本文[1]介绍了一个建模框架,用于对 scRNA-seq 实验中的分子计数数据进行标准化和方差稳定。该过程省略了对启发式步骤的需要,包括伪计数加法或对数转换,并改进了常见的下游分析任务,例如降维和差异表达。我们将此方法命名为 sctransform。 library...
文章指出了可以用SCTransform做batch effect的矫正。这里的矫正方法是将其他的变量,比如线粒体基因的百分比,cell-cycle stat以及expermental batch作为新的自变量添加到广义线性模型中去。值得注意的是,如果指定了这些新变量,SCTransform会做两次广义线性回归,这些新的自变量是在第二轮的回归中添加的,因为可能无法对这些变量...
对 scRNA-seq 数据的解释需要有效的预处理和标准化才能消除这种技术差异。 在此教程中,我们演示了使用基于标准化的sctransform,能够得到log后较清晰的生物学差异。 代码语言:javascript 代码运行次数:0 library(Seurat)library(ggplot2)library(sctransform) 加载数据并创建seurat对象 代码语言:javascript 代码运行次数:0 ...
本文提出了一种建模框架，用于scRNA-seq实验中的分子计数数据标准化与方差稳定性。该框架省略了启发式步骤，如伪计数加法或对数转换，改进了下游分析，如降维与差异表达。此方法命名为sctransform。加载数据并构建Seurat对象后，应用sctransform进行标准化。接着进行主成分分析（PCA）与UMAP降维，以便更好地...
通过基因表达数据执行的预处理步骤类似于传统的 scRNA-seq 。首先需要使数据标准化,以便较少数据之间测序深度的差异。分子计数/点的差异对于空间数据集来说可能很大,特别是如果整个组织的细胞密度存在差异。在这里看到巨大的异质性,这需要有效的标准化。 plot1 <- VlnPlot(brain, features ="nCount_Spatial", pt.si...
对于两个或多个单细胞数据集的整合问题,Seurat 自带一系列方法用于跨数据集匹配(match) (或“对齐” ,align)共享的细胞群。这些方法首先识别处于匹配生物状态的交叉数据集细胞(“锚”,anchors),可以用于校正数据集之间的技术差异(如,批次效应校正),也可以用于不同实验条件下的scRNA-seq的比较分析。
Seurat4.0系列教程11：使用sctransform 单细胞R N A-s e q数据中的生物异质性经常受技术因素（包括测序深度）影响。每个细胞 中检测到的分子数量在细胞之间可能显著变化，即使在相同的细胞类型内也是如此。对 s c R N A-s e q数据的解释需要有效的预处理和标准化才能消除这种技术差异。在此教程中，我们演示了...
pancreas.list <- pancreas.list[c("celseq", "celseq2", "fluidigmc1", "smartseq2")] # 对每个项目运行SCTransform for (i in 1:length(pancreas.list)) { pancreas.list[[i]] <- SCTransform(pancreas.list[[i]], verbose = FALSE)
在 Hafemeister and Satija, 2019 中，我们介绍了一个对scRNA-seq进行标准化的改进方法，，sctransform。该方法主要基于正则化负二项回归(regularized negative binomial regression)，避免了标准标准化工作流的一些陷阱，包括添加伪计数和对数转换。详细细节参考： manuscript or our SCTransform vignette ...