今天的内容讲讲单细胞文章中经常出现的展示细胞marker的图:tsne/umap图.热图.堆叠小提琴图.气泡图,每个图我都会用两种方法绘制. 使用的数据来自文献:Single-cell transcriptomics reveals regulators underlying immune cell diversity and immune subtypes associated with prognosis in nasopharyngeal carcinoma. 去年7月发表在Cell Re

这篇文章更多的是对于混乱的中文资源的梳理,并补充了一些没有提到的重要参数,希望大家不会踩坑. 1. 简介 1.1 背景 WGCNA(weighted gene co-expression network analysis,权重基因共表达网络分析)是一种分析多个样本基因表达模式的分析方法,可将表达模式相似的基因进行聚类,并分析模块与特定性状或表型之间的关联关系,因此在基因组研究中被广泛应用. 相比于只关注差异表达的基因,WGCNA利用数千或近万个变化最大的基因或全部基因的信息识别感兴趣的基因集,并

在上一篇中,我已经讲解了展示marker基因的前两种图形,分别是tsne/umap图.热图,感兴趣的读者可以回顾一下.这一节我们继续学习堆叠小提琴图和气泡图. 3. 堆叠小提琴图展示marker基因 相比于其他可视化形式,小提琴图可以更直观地展示某一类亚群的某一个基因的表达分布情况.我的marker基因一共选了12个,下面来画图: Seurat内置的VlnPlot函数可以直接画, library(xlsx) markerdf2=read.xlsx("ref_marker2.xlsx",

前面我们已经学习了单细胞转录组分析的:使用Cell Ranger得到表达矩阵和doublet检测,今天我们开始Seurat标准流程的学习.这一部分的内容,网上有很多帖子,基本上都是把Seurat官网PBMC的例子重复一遍,这回我换一个数据集,细胞类型更多,同时也会加入一些实际分析中很有用的技巧. 1. 导入数据,创建Seurat对象 library(Seurat) library(tidyverse) testdf=read.table("test_20210105.txt",head

RNA-seq是利器,大部分做实验的老板手下都有大量转录组数据,所以RNA-seq的分析需求应该是很大的(大部分的生信从业人员应该都差不多要沾边吧). 普通的转录组套路并不多,差异表达基因.富集分析.WGCNA network以及一些没卵用的花式分析.DEG分析是基础,up and down,做个富集,了解一下处理后到底是什么通路被改变了:WGCNA主要就是根据相关性来找出一些co-express的gene module. 单细胞的转录组的玩法就比较多了,可以理解为超多样本的普通转录组,普通转录

在做基因表达分析时必然会要做差异分析(DE) DE的方法主要有两种: Fold change t-test fold change的意思是样本质检表达量的差异倍数,log2 fold change的意思是取log2,这样可以可以让差异特别大的和差异比较小的数值缩小之间的差距. Let's say there are 50 read counts in control and 100 read counts in treatment for gene A. This means gene A is

一:导入R包及需要画热图的数据 library(pheatmap) data<- read.table("F:/R练习/R测试数据/heatmapdata.txt",head = T,row.names=1,sep="\t") 二:画图 1)pheatmap(data)#默认参数 2)pheatmap(data,clustering_distance_rows = "correlation")#聚类线长度优化 3)pheatmap(data

细胞状态转换轨迹构建示意图(Trapnell et al. Nature Biotechnology, 2014) 在各种生物系统中,细胞都会展现出一系列的不同状态(如基因表达的动态变化等),这些状态(state)之间会按照一定的时间顺序转换.最典型的比如细胞的分化过程,从不成熟的细胞逐渐分化为成熟细胞.此外,细胞在受到外界刺激或扰动时,细胞内基因的表达也可能发生一系列的变化,从而呈现出一系列状态的转换. 这些特别提一下,细胞状态(cell state)和细胞亚型(cell subtype)是两

单细胞测序流程(http://learn.gencore.bio.nyu.edu) 在过去的十多年里,高通量测序技术被广泛应用于生物和医学的各种领域,极大促进了相关的研究和应用.其中转录组测序(RNA-seq)被广泛应用于测定和描绘各类物种的基因或转录本的表达情况.但传统的转录组测序技术(bulk RNA-seq)是基于群体细胞,每个样本包含成千上万个细胞,所以最终反映的是基因在群体细胞中平均表达水平,从而掩盖了不同细胞之间的表达异质性.近年来,单细胞转录组测序(single-cell RNA-

最近Cell Systems杂志发表了一篇针对现有几种检测单细胞测序doublet的工具的评估文章,系统比较了常见的例如Scrublet.DoubletFinder等工具在检测准确性.计算效率等方面的优劣,以及比较了使用不同方法去除doublet后对下游DE分析.轨迹分析的影响. 现有的检测方法,基本都会先构造出虚拟doublet,然后将候选droplet与这些虚拟doublet比较,很相似的那些就定义为doublet.这里的虚拟doublet是通过随机组合两个(类)细胞的表达值得到的虚拟的do

北京时间2022年3月22日凌晨,<Nature>期刊在线刊登了由中国科学院广州生物医学与健康研究所等单位牵头,深圳市易基因科技有限公司.中国科学技术大学等单位参与,应用人多能干细胞向胚胎8细胞状态人工诱导的科研成果.深圳市易基因科技有限公司运用简化基因组甲基化测序.单细胞和微量细胞基因组DNA甲基化测序等技术,完成了研究中不同人工干预及细胞状态下的基因组DNA甲基化的时空动态变化. 图源Nature官网 论文中,研究者设计了一种非转基因.快速.可控的"细胞重编程"方法,将

R  画网络图 目的:用R做生信分析,画基因样本的网络图,从中观察样本的致病性情况. 一.所用到的包 library(tidyr) library(ggplot2) library(reshape2) library(readr) library(network) library(dplyr) library(plyr) library(sna) library(GGally) library(ggnetwork) library(tidygraph)# tidy graph analysis

RNA-seq中的基因表达量计算和表达差异分析 差异分析的步骤:1)比对:2) read count计算:3) read count的归一化:4)差异表达分析: 背景知识:1)比对:普通比对: BWA,SOAP开大GAP比对:Tophat(Bowtie2):2) Read count(多重比对的问题):丢弃平均分配利用Unique region估计并重新分配表达量计算的本质目标基因表达量相对参照系表达量的数值.参照的本质:( 1)假设样本间参照的信号值应该是相同的:( 2)将样本间参照的观测值校

一篇通俗的文章:eQTL Expression quantitative trait loci (eQTLs) are genomic loci that explain all or a fraction of variation in expression levels of mRNAs. 基因组位点,解释了基因表达的变化. A quantitative trait locus (QTL) is a section of DNA (the locus) which correlates wi

基因组表达分析:如何选择RNA-seq vs. 芯片 发布日期:2017-03-29 10:00 DNA 芯片(上图左侧)由附着在表面的核酸探针组成.首先,从样品中提取 RNA 并转化为互补 DNA(cDNA),用荧光标签(1)进行标记. 接下来标记的 cDNA 片段与芯片(2)上的核酸杂交. 扫描芯片检测每个斑点的荧光水平,从而得到基因表达水平(3). 在 RNA-seq 中,RNA 也从样品中提取并转化为 cDNA,以备用于测序(A). 接下来对 cDNA 文库进行测序(B),将所得读数与基

在转录组测序(RNA-Seq)中,基因的表达量是我们关注的重点.基因表达量的衡量指标有:RPKM.FPKM.TPM. RPKM:Reads Per Kilobase Million:说实话,这个英文说明真的很费解,其实可以理解为“Reads Per Kilobase Per Million Reads”​,即“每一百万条Reads中,对基因的每1000个Base而言,比对到该1000个base的Reads数”,计算公式. FPKM:Fragments per Kilobase Million,F

转自:http://blog.sina.com.cn/s/blog_40d4ae110101fjzy.html 1 二代测序与基因芯片的区别与优缺点. 生物芯片相对第二代测序而言,优势在于价格便宜,便于分析.缺点则在于必须有参考序列(因为生物芯片的探针设计就是根据参考序列设计的). 相同点: 高通量和一些应用领域上的重合(比如表达谱,SNP) SNP:Single Nucleotide Polymorphisms 单核苷酸多态性 不同点: 1.本质不同: 基因芯片的本质是核酸杂交.只不过是同时进

神经元的传递:一个下游神经元,它接受其上游神经元的各个突触传过来的信号,然而,每个突触对该下游神经元的激活权重是不同的. 从神经网络的本质上说,当人连续.多次遭受失败的时候,大脑内就会释放大量的抑制性的神经递质,会削弱突触连接.已知有一种叫γ-氨基丁酸 是强的神经抑制剂. 耳聋基因:xgene43 国内常规耳聋基因检测当中所测的4个耳聋相关基因.一共4个基因.它们分别是: GJB2 :chr13 长臂.隐性遗传.在耳蜗细胞当中,由GJB2等 6种单体蛋白组成完整的Connexin蛋白,负责细胞内

到底什么是eQTL? eQTL和QTL之间有什么联系?为什么说QTL比eQTL难很多? QTL和GWAS有什么关系? GTEx数据库里的eQTL数据如何利用? 说eQTL之前必须先解释QTL,QTL,一说到中文名就清楚了,数量性状位点,就是一个性状,比如身高,会由成百上千个基因来决定,目的简单明确,那么我们如何找到这些位点呢? Quantitative Trait Locus (QTL) Analysis - 来自nature的介绍 实现层面,其实研究的不是基因,而是染色体上的区段,更明确的说就

本文为入门级的基因调控网络文章,主要介绍一些基本概念及常见的GRN模型. 概念:基因调控网络 (Gene Regulatory Network, GRN),简称调控网络,指细胞内或一个基因组内基因和基因之间的相互作用关系形成的网络,特指基因调控 (gene regulation) 导致基因之间的作用.GRN是生物体内控制基因表达的机制,基因表达的主要过程是转录+翻译 GRN构建方法:多数方法使用静态数据来分析基因网络,如基因表达矩阵,该矩阵是一个时刻的基因表达情况.实际上,我们需要考虑动态网络,