单细胞交响乐
  • 前言:我与《单细胞交响乐》的缘分
  • 1 准备篇:背景知识
    • 1.1 数据结构
    • 1.2 总览 | 从实验到分析
  • 2 积累篇:文献阅读
    • 2.1.1 综述 | 2019-单细胞转录组分析最佳思路
    • 2.1.2 综述 | 2018-单细胞捕获平台
    • 2.1.3 综述 | 2017-scRNA中的细胞聚类分群
    • 2.1.4 综述 | scRNA已经开发出超过1000款工具了,你用过几种?
    • 2.1.5 综述 | 2021-单细胞测序的微流控技术应用
    • 2.2.1 研究 | 2018-单细胞转录组探索癌症免疫治疗获得性抗性机理
    • 2.2.2 研究 | 2018-人类结直肠癌单细胞多组学分析
    • 2.2.3 研究 | 2020-单细胞分析揭示葡萄膜黑色素瘤新的进化复杂性
    • 2.2.4 研究 | 2020-COVID-19病人支气管免疫细胞单细胞测序分析
    • 2.2.5 研究 | 2020-原汁原味读--单细胞肿瘤免疫图谱
    • 2.2.6 研究 | 2021-多发性骨髓瘤发展过程中肿瘤和免疫细胞的共同进化
    • 2.2.7 研究 | 2021-多个组织的成纤维细胞图谱
    • 2.2.8 研究 | 2021-多组学分析肺结核队列的记忆T细胞状态
    • 2.2.9 研究 | 2021-CancerSCEM: 人类癌症单细胞表达图谱数据库
    • 2.2.10 研究| 2021-单细胞转录组分析COVID-19重症患者肺泡巨噬细胞亚型
    • 2.2.11 研究 |2021-单细胞转录组揭示肺腺癌特有的肿瘤微环境
    • 2.2.12 研究 | 2021-单细胞转录组揭示乳头状甲状腺癌起始与发展
    • 2.2.13 研究 | 2021-解析食管鳞癌化疗病人的单细胞转录组
    • 2.2.14 研究 | 2021-单细胞水平看骨髓瘤的细胞状态和基因调控
    • 2.3.1 算法|2020-BatchBench比较scRNA批次矫正方法
    • 2.3.2 算法 | 2021-scPhere——用地球仪来展示降维结果
    • 2.3.3 算法 | 2021-单细胞差异分析方法评测
    • 2.3.4 算法 | 2021-细胞分群新方法——CNA(co-varying neighborhood analysis)
    • 2.3.5 工具 | 2018-iSEE:单细胞数据可视化辅助网页工具
    • 2.3.6 工具 | 2021-MACA: 一款自动注释细胞类型的工具
    • 2.3.7 工具 | 2021-一个很有想法的工具——Ikarus,想要在单细胞水平直接鉴定肿瘤细胞
  • 3 流程篇:分析框架
    • 3.1 质控
    • 3.2 归一化
    • 3.3 挑选表达量高变化基因
    • 3.4 降维
    • 3.5 聚类
    • 3.6 Marker/标记基因检测
    • 3.7 细胞类型注释
    • 3.8 批次效应处理
    • 3.9 多样本间差异分析
    • 3.10 检测Doublet
    • 3.11 细胞周期推断
    • 3.12 细胞轨迹推断
    • 3.13 与蛋白丰度信息结合
    • 3.14 处理大型数据
    • 3.15 不同R包数据的相互转换
  • 4 实战篇:活学活用
    • 4.1 实战一 | Smart-seq2 | 小鼠骨髓
    • 4.2 实战二 | STRT-Seq | 小鼠大脑
    • 4.3 实战三 | 10X | 未过滤的PBMC
    • 4.4 实战四 | 10X | 过滤后的PBMC
    • 4.5 实战五 | CEL-seq2 | 人胰腺细胞
    • 4.6 实战六 | CEL-seq | 人胰腺细胞
    • 4.7 实战七 | SMARTer | 人胰腺细胞
    • 4.8 实战八 | Smart-seq2 | 人胰腺细胞
    • 4.9 实战九 | 不同技术数据整合 | 人胰腺细胞
    • 4.10 实战十 | CEL-seq | 小鼠造血干细胞
    • 4.11 实战十一 | Smart-seq2 | 小鼠造血干细胞
    • 4.12 实战十二 | 10X | 小鼠嵌合体胚胎
    • 4.13 实战十三 | 10X | 小鼠乳腺上皮细胞
    • 4.14 | 实战十四 | 10X | HCA计划的38万骨髓细胞
  • 5 补充篇:开拓思路
    • 5.1 10X Genomics概述
      • 5.1.1 10X Genomics 问题集锦
    • 5.2 CellRanger篇
      • 5.2.1 CellRanger实战(一)数据下载
      • 5.2.2 CellRanger实战(二) 使用前注意事项
      • 5.2.3 CellRanger实战(三) 使用初探
      • 5.2.4 CellRanger实战(四)流程概览
      • 5.2.5 CellRanger实战(五) 理解count输出的结果
    • 5.3 Seurat的使用
      • 5.3.1 Seurat V3 | 实战之2700 PBMCs分析
      • 5.3.2 Seurat V3 | 如何改造Seurat包的DoHeatmap函数?
      • 5.3.3 scRNA的3大R包对比
      • 5.3.4 Seurat两种数据比较:integrated vs RNA assay
      • 5.3.5 seurat 的几种findmaker比较
    • 5.4 Monocle的使用
      • 5.4.1 Monocle V3实战
    • 5.5 多个数据集的整合
      • 5.5.1 使用Seurat的merge功能进行整合
      • 5.5.2 如何使用sctransform去除批次效应
由 GitBook 提供支持
在本页
  • 写在前面
  • 吸引
  • 中断
  • 不舍
  • 重拾
  • 更新
  • 致谢

这有帮助吗?

前言:我与《单细胞交响乐》的缘分

下一页1 准备篇:背景知识

最后更新于3年前

这有帮助吗?

写在前面

Hi 大家好,我是的”豆豆“,也是上的”刘小泽“(由于简书平台封锁了太多文章,目前更新均在)。 这是我的第一本开源书,之后也许会有第二本、第三本...持续学习,不断努力

本书链接会持续更新( updated on 2021-11-01):

关于引用:YunzeLiu. (2020). Single Cell Symphony (Version 2.0). Zenodo.

吸引

我是在 2019年10月注意到:

原因很简单,当时个人对单细胞很感兴趣,并且这本书还是Bioconductor团队。大佬出品,必是精品。 为了增加辨识度,我给这本书取了个名字:单细胞交响乐。因为单细胞数据涉及了许多复杂数据结构和流程,就像一个大乐团中的各种乐器,相互配合环环相扣才能演奏美妙的乐章。

开始也是抱着试学的态度,从最简单的基础学起。后来数据结构那一章真正吸引了我,将复杂的单细胞数据结构解释得浅显易懂,还在2019.10.27写了一篇推送:。

中断

单细胞分析对于我来说一直只是一个爱好,暂时还没有实际项目的应用。有时心里就犯嘀咕:我为什么要花时间去学习两个用途差不多的包呢?用最流行的流程不就得了?

慢慢地,这本书在我心里的地位就下降了,后来也不再有热情去翻译、理解这本书了。

不舍

在放弃更新的一段时间,心中时常会有不舍和愧疚,开了个好头做出成了”烂尾“。

每次看到别人分享这本书,我都会偷偷打开之前的交响乐文件夹,看看里面的几篇笔记,然后叹一口气,再次关上,心想:等我有时间了,一定要补上后面的!

然而,这一等,就是大半年...

重拾

2020是一个注定特殊的年份 万万没想到,从6.23到7.22,经历了一个月,完成了这个长久的小心愿

第一篇发表于2020-06-23,接下来的几天,我都保持了每天阅读一章、重复一遍、更新一篇的节奏。当然,开始的速度会很慢,但随着对整体数据结构以及R包、函数的了解越来越深入,我也能明白作者想要做什么事,又是如何去实现的,后来速度就快了许多。这里必须要感谢Bioconductor团队精心准备了各种测试数据集和详细的操作代码。

为了提供更好的阅读、交流体验,我将之前的学习笔记做成了现在这本开源书。个人认为,开源书比出版书的优势就是:持续更新;方便沟通;易于更改。

与原著作者交流了一下,他们表示还会继续更新,当然我也会一直保持同步。 此外,我希望这本书不仅仅是中文翻译版,还希望能加入更多其他比较重要的知识,比如Seurat的各种操作、上游操作流程等等,让本书内容更加丰富。

更新

2020-07-23

  • 新增:R包链接直达说明文档,文档链接直达腾讯文档,文献链接直达PubMed或原文中所在位置

2020-08-21

  • 新增:第5章CellRanger的操作、Seurat、Monocle流程、多个数据集的整合

2020-10-12

  • 新增:对单细胞领域文献阅读进行重新组织架构,方便阅读

2021-10-20

  • 新增:最近会新增一些文献速览,抓住时事新闻

致谢

为了表达对作者的敬意,在本书上线前,特意征求了作者的同意 感谢他们对Bioconductor社区的贡献

  • Aaron Lun, PhD

  • Robert Amezquita, PhD

  • Stephanie Hicks, PhD

  • Raphael Gottardo, PhD

我想大部分人接触单细胞数据,应该都是借助、流程学习的,也因此容易形成一个思维定势,说到scRNA分析,就想到Seurat这个R包。这本书的内容不太一样,它全篇都是基于自己的数据结构SingleCellExperiment,使用的R包也主要是自己团队开发的、包,并且用法和Seurat差距还蛮大的。

2020年的6月,无意间又打开了这本书的链接,看着团队已经更新到了30多章,此时”花花“(也就是域名jieandze1314中的jie)也开始了单细胞的学习,我答应她要提供一份学习资料。正好借着公众号推出的专辑功能,我尝试每写一篇都发表然后放在中,当做对自己的一个提醒。

技术一直进步,学习从未停止。这本书也许不会有完结篇,只有~未完待续 ~

🤓
CellRanger
Seurat
Scater
Scran
公众号专辑
🤠
生信星球
简书
博客
https://jieandze1314.osca.top/
https://doi.org/10.5281/zenodo.4044753
Orchestrating Single-Cell Analysis with Bioconductor
送你个对象