单细胞 RNA-seq 数据的生物异质性常常受到测序深度等技术因素的影响。每个细胞中检测到的分子数量在细胞之间可能存在显着差异,即使在同一细胞类型内也是如此。 scRNA-seq 数据的解释需要有效的预处理和标准化,以消除这种技术变异性。在 Hafemeister 和 Satija,2019 年,seurat实验室引入了一个建模框架,用于对 scRNA-seq 实验中的分子计数数据进行归一化和方差稳定。该过程省略了对启发式步骤的需要,包括伪计数加法或对数转换,并改进了常见的下游分析任务,例如变量基因选择、降维和差异表达。
在这个tutorial中,演示了如何使用基于 sctransform 的标准化来恢复与对数标准化相比更清晰的生物学差异。
加载Rpackage
library(Seurat)
library(ggplot2)
library(sctransform)
加载数据创建seurat对象
### sample list
samples <- read_excel("../data/metadata/patients_metadata.xlsx", range = cell_cols("A:A")) %>% .$sample_id
# 根据研究情况,确定研究样本即可
### import cellranger files from different data sets
for (i in seq_along(samples)){
assign(paste0("scs_data", i), Read10X(
421



被折叠的 条评论
为什么被折叠?



