单细胞转录组数据的个性化分析汇总
都介绍到单细胞转录组数据处理之细胞亚群比例比较部分了,10讲就告一段落了,大家可以回看仔细品读。后面的分析其实都是个性化的了,取决于课题设计,假说,生物学背景知识,而且需要学习大量的R包。
Each dot represents a single cell and is colored according to their clustering in A. The inlet t-SNE plot at each plot shows each cell with a pseudo-time score from dark blue to yellow, indicating early and terminal states, respectively.
CD4, CD4+ T cells; CD8, CD8+ T cells B, B cells Plasma, plasma cells Myeloid, myeloid cells NK, NK cells Epi, epithelial cells Fib, fibroblasts Smo, smooth muscle cells FibSmo, FibSmo cells Endo, endothelial cells)
SCENIC
发表要早于前面的CellphoneDB,是2017年的Nature methods文章,链接: https://www.nature.com/articles/nmeth.4463 主要是根据表达矩阵来计算每个细胞可能的调控基因。第二期单细胞视频笔记汇总
10X scRNA免疫治疗学习笔记1-前言 10X scRNA免疫治疗学习笔记-2-配置Seurat的R语言环境 10X scRNA免疫治疗学习笔记-3-Seurat标准流程 10X scRNA免疫治疗学习笔记-4-细胞亚群的生物学命名 10X scRNA免疫治疗学习笔记-5-差异分析及可视化 10X scRNA免疫治疗学习笔记-6-marker基因的表达量可视化 10X scRNA免疫治疗学习笔记-7-条条道路通罗马—单细胞分群分析
scRNA小鼠发育Smartseq2流程—前言及上游介绍 根据表达矩阵进行分群-1 根据表达矩阵进行分群-2 标记基因可视化 差异分析及功能注释(上) 差异分析及功能注释(下) 发育谱系推断及可视化 不同谱系的差异基因分类注释
文末友情宣传
全国巡讲全球听(买一得五)第3期(4月6日开始) ,你的生物信息学入门课。 数据挖掘线上班来袭(两天变三周,实力加量),医学生/医生首选技能提高课。 生信技能树的2019年终总结 ,你的生物信息学成长宝藏 2020学习主旋律,B站74小时免费教学视频为你领路
赞 (0)