# 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() |