介紹
文章對已知的多種細胞系混合後進行單細胞10x rna測序，研究多轉殖之間的互作模式。我們這裡介紹裡面的單細胞測序基因表達細胞分類操作。不過文章選用的是已知固有snp進行分類，基因表達分類用於和snp分類進行比較。
**講解
讀入qc後的seurat obj，過濾**見之前的部落格
根據測序的細胞系個數設定引數, n_pcs是主成分分析時主成分個數， clust_res是執行findcluster函式的resolution引數
n_cls <- nlevels(seuobj)
n_pcs <- 2*n_cls
if(n_cls > 25-param_range & n_cls < 25+param_range) else if(n_cls > 50-param_range & n_cls < 50+param_range) else if(n_cls > 100-param_range & n_cls < 100+param_range) else
#use just good singlets
cq <- seurat::fetchdata(seuobj, vars = c('cell_quality'))
seuobj <- seuobj[, which(cq$cell_quality == 'normal')]
seuobj <- seurat::scaledata(object = seuobj, vars.to.regress = vtr)
seuobj <- seurat::findvariablefeatures(object = seuobj,
nfeatures = 1e5,
selection.method = 'vst')
seuobj <- seurat::runpca(object = seuobj,
features = seurat::variablefeatures(seuobj),
seed.use = 1,
npcs = n_pcs,
verbose = false)
seuobj <- seurat::runtsne(object = seuobj,
dims = 1:n_pcs,
check_duplicates = false,
seed.use = 1,
perplexity = 30,
verbose = false)
#cluster cells
seuobj <- seurat::findneighbors(seuobj, reduction = 'pca',
dims = 1:n_pcs,
k.param = 10,
force.recalc = true,
verbose = false)
seuobj <- seurat::findclusters(seuobj, resolution = clust_res, verbose = false)
單細胞測序細胞分類/
單細胞測序技術及應用進展
發表於 基因組學與應用生物學，2015 年，第34 卷，第5 期，第902 908 頁 本文講了什麼？細胞是生命的單位，然而大多數的人類基因組 癌症或其它研究仍然是通過從多個細胞中抽提dna 來進行測序，這忽略了細胞間的差異對於控制基因表達 細胞行為的影響，實驗結果往往表示的是細胞群體中訊號表達的均...
單細胞測序資料的降維方法及細胞亞型鑑定聚類方法總結
圖1 細胞亞型的鑑定及分析 stegle et al.nature reviews genetics,2015 隨著單細胞測序技術的發展，每個研究或實驗中測定的細胞數量在顯著增加。現在很多單細胞研究中，少則產生幾百，多則產生幾十萬的細胞數量，甚至更多。其中，細胞亞型 cell subtype or ...
單細胞轉錄組測序技術及各類資料分析方法總結
自從2009年單細胞轉錄組測序 single cell rna seq，scrna seq 技術首次問世，至今已經有幾十種不同的scrna seq技術相繼被開發出來。在過去的十年裡，單細胞轉錄組測序技術得到了蓬勃的發展，從而使得可在單細胞水平揭示全基因組範圍內所有基因的表達情況，可以更精準的開展細胞...