# 5.3.3 scRNA的3大R包对比 > 将主要介绍Seurat V2、V3、Scater、Monocle V2、Monocle V3之间的差异\ > **表格可以左右滑动哦！** | 用法 | Seurat 2.x | Seurat 3.x | Scater | Monocle2.x | Monocle3.x | | :-------------------: | :---------------------------------------------------------------------: | :--------------------------------------------------------------------------------: | -------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------- | | 创建R包要求的对象 | CreateSeuratObject() | 函数不变，参数取消了raw\.data，min.genes更改为min.features | SingleCellExperiment() | newCellDataSet()，其中的phenoData、featureData参数都是用new()建立的AnnotatedDataFrame对象 | new\_cell\_data\_set()，其中的cell\_metadata、gene\_metadata参数都是数据框 | | 添加注释信息 | AddMetaData() | AddMetaData()或者直接通过object$meta\_name | 可以直接使用sce$meta\_name | addCellType()添加细胞类型 | 可以用基础R函数 | | QC and selecting cell | | GetAssayData() | calculateQCMetrics(),其中的feature\_controls参数可以指定过滤指标，然后有一系列的可视化函数。过滤用filter()或isOutlier() | 用基础R函数进行初步过滤，还可以用detectGenes()函数加上subset()过滤 | 用基础R函数进行初步过滤 | | 表达量的标准化或者归一化 | NormalizeData()，归一化后检测用sce\@data | NormalizeData()，归一化后检测用sce\[\['RNA']] | 计算CPM：calculateCPM()、归一化：normalize() | estimateSizeFactors()还有estimateDispersions | preprocess\_cds() | | 寻找重要的基因 | FindVariableGenes() | FindVariableFeatures()，其中算法有变动 | 没有专门函数 | differentialGeneTest()函数 | 版本3和版本2的差异分析可以说是完全不同，版本3取代了2中的differentialGeneTest() and BEAM()。它利用fit\_models()或graph\_test() | | 去除干扰因素 | ScaleData()，结果存储在中 | ScaleData()，结果存储在sce\[\["RNA"]]@scale.data中 | limma的removeBatchEffect()、scran的mnnCorrect() | 去除干扰因素的功能被包装在降维函数中 | preprocess\_cds()中指定参数residual\_model\_formula\_str | | 降维 | PCA：RunPCA()，参数pc.genes，结果存储在sce\@dr$ tSNE：RunTSNE() | PCA：RunPCA()，参数features，结果存储在sce\@reductions$ tSNE：RunTSNE() | PCA：runPCA()，结果在reducedDims中； tSNE：runTSNE() | reduceDimension函数，可以选择多种参数 | reduce\_dimension()，算法包括UMAP", "tSNE", "PCA" and "LSI" | | 降维后可视化 | VizPCA和PCElbowPlot;PCAPlot或者TSNEPlot | VizDimLoadings()、DimPlot()、DimHeatmap()、ElbowPlot() | plotReducedDim()、plotPCA() | plot\_cell\_clusters() | plot\_cells() | | 细胞聚类 | FindClusters() | FindNeighbors() + FindClusters() | 没有包装聚类函数，可以辅助其它R包，或者R基础函数 | clusterCells() | cluster\_cells()，依赖一个Python模块louvain | | 找marker基因 | FindMarkers()或FindAllMarkers() | FindMarkers()或FindAllMarkers()，VlnPlot()、FeaturePlot()可视化 | 借助SC3包 | newCellTypeHierarchy()、 classifyCells() | top\_markers() | | 绘图相关 | 基因相关性绘图：GenePlot()；细胞相关性绘图：CellPlot()，选择细胞用 | 基因相关性绘图：FeatureScatter()；细胞相关性绘图：CellScatter()，选择细胞用colnames(sce) | 基因相关性绘图：绘制基因表达相关plotExpression()；检测高表达基因plotHighestExprs()、表达频率plotExprsFreqVsMean()、细胞质控plotColData()、表达量累计贡献plotScater() | plot\_cell\_trajectory()、plot\_genes\_in\_pseudotime()、plot\_genes\_jitter()、plot\_pseudotime\_heatmap()、plot\_genes\_branched\_heatmap()、plot\_genes\_branched\_pseudotime() | plot\_pc\_variance\_explained()、对每组的marker基因可视化： plot\_genes\_by\_group()、3D发育轨迹plot\_cells\_3d()、画小提琴图：plot\_genes\_violin() | --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://jieandze1314.osca.top/05/5.3-seurat-de-shi-yong/5.3.2-scrna-de-3-darbao-dui-bi.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.