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

单细胞测序技术(single cell sequencing) 2018-03-02 11:02   来源: 一呼百诺  点击次数:6587关键词:   前言 单细胞生物学最近几年是非常热门的研究方向.在这一领域中,最前沿的则是单细胞测序技术.传统测序方法一次处理成千上万个细胞,得到的变异水平也是成千上万个细胞的平均后水平.但是,就如同世界上没有完全相同的两片树叶一样,没有两个细胞是完全相同的.所以,单细胞测序对于研究单个细胞就显得至关重要. 单细胞测序可以揭示出每个细胞独特的微妙变化,甚至可以

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 单细胞基因组学 测量理由是单细胞的时间空间特异性. Gene expression&co-expression 比较正常cell与疾病cell,正常organ与疾病organ,看出偏差. 分离单细胞,破碎细胞,RNA逆转录,测量cDNA. Eg:BAC扩增,可以实现bias很小的的genome,genome质量高. Eg:对sperm cell进行single cell, Eg:oocyte与sperm结合后,可以对过程中丢弃的部分进行single cell. 如果父源或母源中任何一

本文总结自一篇综述: Computational approaches for interpreting scRNA-seq data 单细胞分析分为两个层次: cell level gene level Tools for the visualization and clustering of cells. Tools for the ordering of cells & bifurcation/branch identification Tools for gene-level analy

单细胞RNA测序技术之入门指南 [字体: 大 中 小 ] 时间:2018年09月12日 来源:生物通   编辑推荐: 在这个飞速发展的测序时代,DNA和RNA测序已经逐渐成为“实验室中的家常菜”.若要评选出目前最受欢迎的一道菜,那恐怕非单细胞RNA测序莫属. 在这个飞速发展的测序时代,DNA和RNA测序已经逐渐成为“实验室中的家常菜”.若要评选出目前最受欢迎的一道菜,那恐怕非单细胞RNA测序莫属. 以往,研究人员通常利用RNA测序(RNA-seq)来检测样本中的所有RNA转录本,以发现新型RNA

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-

可变剪接(alternative splicing),在真核生物中是一种非常基本的生物学事件.即基因转录后,先产生初始RNA或称作RNA前体,然后再通过可变剪接方式,选择性的把不同的外显子进行重连,从而产生不同的剪接异构体(isoform).这种方式,使得一个基因可产生多个不同的转录本,这些转录本分别在细胞/个体分化发育的不同阶段,在不同的组织中有各自特异的表达和功能,从而极大地丰富了编码RNA和非编码RNA种类和数量,进而增加了转录组和蛋白质组的复杂性. 可变剪接主要有以下五种常见的形式: 1

单细胞流程跑了不少,但依旧看不懂结果,是该好好补补了. 有些人可能会误会,觉得单细胞的RNA-seq数据很好分析,跟分析常规的RNA-seq应该没什么区别.今天的这篇文章2015年3月发表在Nature Genetics Review上,专门说明了一下单细胞RNA测序数据在数据分析和计算上的挑战(虽然已经过去1年多了,这里指出的问题和挑战仍然是不过时的,至于这些问题和挑战现在是不是完美解决了,这里就暂且先不讨论了.). 主要说了以下问题: 1. 单细胞RNA测序 (single cell RNA

第三章 RNA测序   RNA测序(RNA Sequencing,简称RNA-Seq,也被称为全转录物组鸟枪法测序Whole Transcriptome Shotgun Sequencing,简称WTSS),是基于二代测序技术研究转录组学的方法,可以快速获取给定时刻的一个基因组中RNA的种类和数量. RNA-Seq有助于查看基因的不同转录本.转录后修饰.基因融合.突变/SNP和基因表达随时间的变化,或在不同组中基因表达的差异. RNA-Seq除了可以查看mRNA转录本,还可以查看总RNA.小RN

灵敏度高 == 假阴性率低,即漏检率低,即有病人却没有发现出来的概率低. 用于判断:有一部分人患有一种疾病,某种检验方法可以在人群中检出多少个病人来. 特异性高 == 假阳性率低,即错把健康判定为病人的概率低. 用于:被某种试验判定为患病的人中,又有多少是真的患了这种病的. 好的检测方法:有高的灵敏度(低的假阴性率).同时又有高的特异性(低的假阳性率). ROC 曲线: 横轴:100 — 特异性..即100减去特异性,特异性高,100减去特异性就低,故越小越好. 纵轴:灵敏度值. ROC分析图的

Quantitative single-cell rna-seq with unique molecular identifers 这篇文章论证了 scRNA-seq 使用UMI来计算基因表达量的合理性和优势. 这里主要研究如何分析 scRNA-seq 的数据,如何处理ERCC和UMI. 背景: however, losses in cdna synthesis and bias in cdna amplifcation lead to severe quantitative errors. 单

转自:http://www.ebiotrade.com/newsf/2017-9/201795172237350.htm 1.综述 哈佛大学的两个团队将微流体技术引入单细胞RNA-Seq方法中,分别开发出Drop-seq和inDROP. 2015年,这两种方法发表在同一期的<Cell>杂志上.它们的出现,让快速.低成本地分析数千个单细胞的基因活性成为现实. 众所周知,大脑是一种复杂的结构.它包括近860亿个神经元以及数十亿个其他类型的细胞. 单细胞的基因表达分析能够揭开细胞之间的差异,帮助绘制

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

Cell Ranger是一个"傻瓜"软件,你只需提供原始的fastq文件,它就会返回feature-barcode表达矩阵.为啥不说是gene-cell,举个例子,cell hashing数据得到的矩阵还有tag行,而列也不能肯定就是一个cell,可能考虑到这个才不叫gene-cell矩阵吧~它是10xgenomics提供的官方比对定量软件,有四个子命令,我只用过cellranger count,另外三个cellranger mkfastq.cellranger aggr.cellra

这是一个新系列 差不多是一年以前,我定导后没多久,接手了读研后的第一个课题.合作方是医院,和我对接的是一名博一的医学生,最开始两边的老师很排斥常规的单细胞文章思路,即各大类细胞分群.注释.描述,所以起初的几个月都在摸索一条主线,再后来有主线了,要加实验验证,周期有点长.我这边的分析基本做完.读研生活还在继续,我也不能太在意这一个课题,尽管有些时候我也很着急,尽管我在这个课题上花了很多时间.整理分析流程是个好习惯,最大的受益者还是自己,所以接下来我打算把我在处理单细胞转录组过程中,学到的用到的所有

RNA-seq这个工具该什么时候用?ATAC-seq该什么时候用?有相当一部分项目设计不行,导致花大钱测了一些没有意义的数据. 还是在中心法则这个框架下来解释,这是生物信息的核心.打开华大科技服务官网梳理一下现在到底都有些什么测序技术: 全基因组测序和重测序 - 组装以及寻找变异 (外显子和目标区域测序) RNA-seq测序 - 基因表达 (smRNA,lncRNA,circRNA,PB全长,可变剪切) 甲基化测序 ChIP-seq和ATAC-seq 蛋白组 - 所有蛋白的变化 代谢组 - 植物

来自知乎Live-孟浩巍 1.文章重要技术及图讲解 首先在转录组RNA-seq中,有基因表达差异.基因融合.可变剪切.RNA单点突变. 在基因组中,单点变异.结构变异,CNV变异(拷贝数变异) 三类基本内容,主要是RNA-seq的分析. 从生物水平角度理解肺癌,掌握RNA-seq的建库流程 ,单细胞的建库流程和方法. 这个是通过热力图的方式,找出5种细胞中的特异性的gene marker,什么是基因标记,在某一个stage或者细胞内特异性表达的基因是基因marker. 0-15图标是取过log的

背景 把早年没填完的坑(单细胞测序的细胞类型鉴别)给重新拾起来 其Github描述的基本情况: 作者并不对单个分类器进行说明,统一包装在benchmark工程里,还建立了docker容器 但说明了在scripts里有封装好的方法,可以直接读入数据进行分类 可以使用,但是整个过程需要知道,读全文 回顾文章 1. 文章采用的方法和数据集介绍 参考表格 22个方法,27个数据集(前十一个用于数据集内比较不同方法,PBMC用于数据集间) 有在单个数据集里评估各个分类器的实验,也有在不同数据集评估单个分类

文献编号:19Mar - 11 2019年04月23日三读,会其精髓: 相信这种方法的话,那么它的精髓是什么,如何整合出这个core gene set. 首先要考虑样本的选择,样本里是否存在明显的分层? 2019年04月01日再读:精读: 已经发现我的data没法在PCA里有明显的规律:应该可以直接从bulk RNA-seq里获取有价值的信息,那么single cell到底有什么优势呢?回答:单细胞的数据是必须的,它可以把core genes锚定到case-control pseudotime,

10X Genomics已经广泛应用于单细胞测序.组装领域,现在也是火的不行. 10X Genomics原理 通过将来自相同DNA片段(10-100kb)的reads加上相同的barcode,然后在illumina平台上进行测序,从而实现长片段的测序.其基本原理是同一长片段的reads会具有同样的标签,称为linked-reads,利用这些barcode的信息,可将短reads拼接为长reads.这样的linked-reads可进行结构变异检测及单倍型定相的分析. 总结:10X Genomics