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

这有帮助吗?

  1. 5 补充篇:开拓思路
  2. 5.3 Seurat的使用

5.3.3 scRNA的3大R包对比

刘小泽写于19.9.3

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

sce@raw.data

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sce@scale.data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$pca@gene.loadings tSNE:RunTSNE()

PCA:RunPCA(),参数features,结果存储在sce@reductions$pca@feature.loadings 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sce@cell.names

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()

上一页5.3.2 Seurat V3 | 如何改造Seurat包的DoHeatmap函数?下一页5.3.4 Seurat两种数据比较:integrated vs RNA assay

最后更新于4年前

这有帮助吗?