reduction.model = "wnn.umap") 现在我们可以可视化结果,在参考UMAP嵌入上绘制基于其预测注释的scATAC-seq细胞。您可以看到,每个scATAC-seq细胞都根据scRNA-seq定义的细胞本体学被分配了一个细胞名称。 DimPlot( obj.atac, group.by = "predicted.l2", reduction = "ref.umap", label = TRUE ) + ggtitle("ATA...
DimPlot(pbmc, reduction = "umap", label = TRUE, pt.size = 0.5) + NoLegend()
复制 obj.atac<-MapQuery(anchorset=bridge.anchor,reference=obj.rna.ext,query=obj.atac,refdata=list(l1="celltype.l1",l2="celltype.l2",l3="celltype.l3"),reduction.model="wnn.umap") 现在我们可以可视化结果,在参考UMAP嵌入上绘制基于其预测注释的scATAC-seq细胞。您可以看到,每个scATAC-seq细胞都根据...
由于我们的参考数据集包含三个分辨率级别的细胞类型注释(l1 - l3),我们可以将每个级别转移到查询数据集中。 obj.atac<-MapQuery(anchorset=bridge.anchor,reference=obj.rna.ext,query=obj.atac,refdata=list(l1="celltype.l1",l2="celltype.l2",l3="celltype.l3"),reduction.model="wnn.umap") 现在我们可...
其中reductions可以是pca,tsne,umap等等,前提是需要对这个对象跑相关的降维代码。比如如果我们跑了代码: ### 我们可以继续对 RNA 表达数据进行降维和聚类,使用与 scRNA-seq 分析相同的工作流程。brain <- RunPCA(brain, assay ="SCT", verbose =FALSE) ...
pbmc3k<-MapQuery(anchorset=anchors,query=pbmc3k,reference=reference,refdata=list(celltype.l1="celltype.l1",celltype.l2="celltype.l2",predicted_ADT="ADT"),reference.reduction="spca",reduction.model="wnn.umap") 探索映射结果 我们现在可以可视化 2,700 个查询细胞。它们已投影到参考集的 UMAP 图中...
obj.atac<-MapQuery(anchorset=bridge.anchor,reference=obj.rna.ext,query=obj.atac,refdata=list(l1="celltype.l1",l2="celltype.l2",l3="celltype.l3"),reduction.model="wnn.umap") 现在我们可以可视化结果,在参考UMAP嵌入上绘制基于其预测注释的scATAC-seq细胞。您可以看到,每个scATAC-seq细胞都根据scRNA...
reduction.model = "wnn.umap" ) 探索映射结果 我们现在可以可视化 2,700 个查询细胞。它们已投影到参考集的 UMAP 图中,每个亚群都收到了两个级别(第 1 级和第 2 级)的注释。 p1=DimPlot(pbmc3k,reduction="ref.umap",group.by="predicted.celltype.l1",label=TRUE,label.size=3,repel=TRUE)+NoLegend...
7.非线性维度约化(UMAP/TSNE) # 使用UMAP聚类 pbmc <- RunUMAP(pbmc, dims = 1:10) DimPlot(pbmc, reduction = "umap") # 显示在聚类标签 DimPlot(pbmc, reduction = "umap", label = TRUE) 1. 2. 3. 4. 5. # 使用TSNE聚类 pbmc <- RunTSNE(pbmc, dims = 1:10) ...
DimPlot(object = reference, reduction ="wnn.umap", group.by ="celltype.l2", label = TRUE, label.size = 3, repel = TRUE) + NoLegend() 为了演示到这个多模态参考的映射,我们将使用由10x Genomics产生的2700个PBMCs的数据集,并通过SeuratData包调取。