2018年最新的single-cell-RNA-seq analysis repositories

老生常谈的scRNASeq基本操作和原理：

scrnaseq 的测序方法发展的年表：

在看一下列表：

分选单细胞的96孔板：

分析前的常规数据处理：FastQC、Trimming Reads、Demultiplexing（identify cell containing droplets）、using STAR to align（with genome）、 Kallisto align（align without genome，using k-mers method）、construct expression matrix（with UMIs）、Bioconductor to analysis the raw data（SingleCellExperiment，scater，ggplot2）、Expression QC、data visualization、identify confounding factors、normalized expression data

得到均一化之后的matrix之后：

Biological analysis：Clustering 、Feature selection、Pseudotime analysis、Imputation、DE

Seurat：Create seurat object、Normalization、Highly variable genes、dealing with confounders、linear dimensionality reduction、significant PCs、clustering cells、markers genes

 

主要讲一讲降维分析中的Seurat：

需要在R里面加载的包：

用小提琴图以及基因图来做一些数据的观测之后（Vlnplot、Geneplot、FilterCells），对数据做normalized（NormalizeData）、以及find highly variable genes（FindVariableGenes）、dealing with confounders（ScaleData）、LDR（RunPCA、printPCA、PCAPlot、PCHeatmap）、Significant PCs（JackStraw、JackStrawPlot、PCEIbowPlot）、clustering cells（FIndClusters、PrintFindClusterParams、adjustedRandIndex、RunTSNE、TSNEPlot）、marker genes（FIndMarkers、VlnPlot、FeaturePlot、FIndALLMarkers）

两种marker genes的violin plot以及全部marker genes的tSNEplot

整体Scrnaseq date的分析流程和思路是很清晰明确的，本教程几乎满足了所有scrnaseq中目前遇到的问题和解决方法，可以说是一本单细胞下机数据分析以及degub的Brochure

 

转载于:https://www.cnblogs.com/beckygogogo/p/9253840.html