老生常談的scRNASeq基本操作和原理：

scrnaseq 的測序方法發(fā)展的年表：

在看一下列表：

分選單細(xì)胞的96孔板：

分析前的常規(guī)數(shù)據(jù)處理：FastQC、Trimming Reads、Demultiplexing（identify cell containing droplets）、using STAR to align（with genome）、?Kallisto align（align without genome，using k-mers method）、construct expression matrix（with UMIs）、Bioconductor to analysis the raw data（SingleCellExperiment，scater，ggplot2）、Expression QC、data visualization、identify confounding factors、normalized expression data

得到均一化之后的matrix之后：

Biological analysis：Clustering 、Feature selection、Pseudotime analysis、Imputation、DE

Seurat：Create seurat object、Normalization、Highly variable genes、dealing with confounders、linear dimensionality reduction、significant PCs、clustering cells、markers genes

?

主要講一講降維分析中的Seurat：

需要在R里面加載的包：

用小提琴圖以及基因圖來做一些數(shù)據(jù)的觀測之后（Vlnplot、Geneplot、FilterCells），對數(shù)據(jù)做normalized（NormalizeData）、以及find highly variable genes（FindVariableGenes）、dealing with confounders（ScaleData）、LDR（RunPCA、printPCA、PCAPlot、PCHeatmap）、Significant PCs（JackStraw、JackStrawPlot、PCEIbowPlot）、clustering cells（FIndClusters、PrintFindClusterParams、adjustedRandIndex、RunTSNE、TSNEPlot）、marker genes（FIndMarkers、VlnPlot、FeaturePlot、FIndALLMarkers）

兩種marker genes的violin plot以及全部marker genes的tSNEplot

整體Scrnaseq date的分析流程和思路是很清晰明確的，本教程幾乎滿足了所有scrnaseq中目前遇到的問題和解決方法，可以說是一本單細(xì)胞下機(jī)數(shù)據(jù)分析以及degub的Brochure

?

轉(zhuǎn)載于:https://www.cnblogs.com/beckygogogo/p/9253840.html

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的2018年最新的single-cell-RNA-seq analysis repositories的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。