单细胞分析实录(12): 如何推断肿瘤细胞

【代码更新】单细胞分析实录(20): 将多个样本的CNV定位到染色体臂,并画热图 之前写过三篇和CNV相关的帖子,如果你做肿瘤单细胞转录组,大概率看过: 单细胞分析实录(11): inferCNV的基本用法 单细胞分析实录(12): 如何推断肿瘤细胞 单细胞分析实录(13): inferCNV结合UPhyloplot2分析肿瘤进化 其中,第三篇帖子里面有两个注释代码,可以在基因和染色体长短臂两个层面对CNV做注释 这次对tree_anno.R代码做了更新,简单来说就是对原始CNV region的长度做了限制,最后的结果会输出更少更明显的CNV 之前在我这里拿过代码的读者如果需要,可以 阅读详情
AI摘要

本文详细介绍两种肿瘤细胞鉴定方法:一种基于拷贝数变异(CNV)分析,通过聚类和CNV水平定量区分肿瘤细胞;另一种基于表达特征分析,通过迭代聚类和差异分析确定恶性细胞。

公众号后台回复20210418,获取本文的测试数据

1. 回顾

前面我已经讲解了inferCNV的基本用法,这一节继续学习:如何推断肿瘤细胞。本文应该是到目前为止,全网最详细的帖子(之一)。

关于肿瘤细胞的推断,比如研究上皮细胞起源的肿瘤,我见过的一些做法如下

  1. 简单粗暴型:将来源肿瘤病灶的所有上皮细胞都看成是肿瘤细胞
  2. 看CNV:将来源于肿瘤病灶的上皮细胞和参考细胞比较,将那些有明显CNV的细胞看作肿瘤细胞
  3. 看表达特征:考虑到有的肿瘤细胞可能没有CNV层面的变化,有的文章会根据肿瘤与正常的表达谱来区分是否为肿瘤细胞

如果你假设即使来源于病灶,也可能有正常(恶行程度很低)的上皮细胞,那么第2,3种做法就显得合理一些。实际数据处理中,我也确实看到过这种情况。这一节内容,我主要介绍第2种思路,第3种思路简单说一下。

2. 看CNV

既然是看,那就要选择合适的图,来辅助你看。inferCNV跑完的结果会显示一张热图

就比如这张图,相比于上方的参考panel,下方的观测panel可见一些明显的CNV,当然也可见一些细胞并没有明显的CNV,这些就是恶性程度很低的细胞。现在需要做的就是将这两种类型区分出来。

2.1 方法一

将参考和观测panel对应的矩阵提取出来,混在一起,聚类,之后每一个细胞会有一个类别label,挑出是肿瘤细胞的类别即可。为什么要混在一起呢?其实也是提供一个参考。聚成多少类,不需要特别精确,多于你肉眼能看出的类别数就行。不宜过多,操作起来麻烦;不宜过少,不然没有区分度。

示例数据之前已经跑好了,代码在try1.R,inferCNV的结果保存在try1文件夹中,利用的是run.final.infercnv_obj文件,里面保存了最终画热图用到的表达矩阵,以及细胞注释。下面是代码,有点长,先上图

library(infercnv)
library(tidyverse)
library(ComplexHeatmap)
library(circlize)
library("RColorBrewer")

infercnv_obj = readRDS("./try1/run.final.infercnv_obj")
expr <- infercnv_obj@expr.data
normal_loc <- infercnv_obj@reference_grouped_cell_indices
normal_loc <- normal_loc$normal
test_loc <- infercnv_obj@observation_grouped_cell_indices
test_loc <- test_loc$test

anno.df=data.frame(
  CB=c(colnames(expr)[normal_loc],colnames(expr)[test_loc]),
  class=c(rep("normal",length(normal_loc)),rep("test",length(test_loc)))
)
head(anno.df)

gn <- rownames(expr)
geneFil
inferCNV鉴定肿瘤中的恶性细胞流程 【代码】inferCNV鉴定肿瘤中的恶性细胞流程。 阅读详情

相关推荐

单细胞分析实录(10): 消除细胞周期的影响

如果读过一些单细胞的文献,应该会经常看到一群名为"cycling cell"的亚群,T细胞、B细胞、上皮细胞等等在分亚群的时候,都可能碰到。实际上,这群细胞只是因为高表达一些与细胞周期相关的基因,才会被单独聚成一群,里面可能包含多种细胞亚群的混合,只要它们处于细胞周期/增殖状态。 当这群细胞占比很少时,可以不做处理;占比较大,或者处于不同细胞周期时间点(G1, S, G2, M)的细胞相互分开,这时就需要消除细胞周期的影响,留下有意义的生物学差异。下图是比较极端的例子,所有细胞都处于.

TOP生物信息 6423

infercnv 三回首:深入理解infercnv为何能发nature

大家好,不知你是否还记得,前两次关于infercnv的介绍。如果下载了示例数据,并且你已经跑了上述代码,不难得到这张图:高考作文问。01关于我对infercnv的理解:其实结果是哪种图真的不重要,重点是对图形的解读。比如,里面有个绿色圈圈,可以看到柱子里深灰和浅灰部分(就是我标注的A 和B部分)的突变图景肉眼几乎不可分辨,但是却被分属于两群不同的细胞群。这就说明:通过肉眼观察,从A和B的突变图景上来看,A和B的突变图景是一致的,那么我们就可以把A亚群细胞与B亚群细胞合并,把他们当作恶性细胞。

生信小博士的博客 3378

单细胞分析实录(4): doublet检测

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doublet

TOP生物信息 8245

本公众号最新的单细胞推文目录

本公众号最新的单细胞推文目录: 分析 单细胞分析实录(1): 认识Cell Hashing 单细胞分析实录(2): 使用Cell Ranger得到表达矩阵 单细胞分析实录(3): Cell Hashing数据拆分 单细胞分析实录(4): doublet检测 单细胞分析实录(5): Seurat标准流程 单细胞分析实录(6): 去除批次效应/整合数据 单细胞分析实录(7): 差异表达分析/细胞类型注释 SingleR如何使用自定义的参考集 单细胞分析实录(8): 展示marker基因的4种图形(一) 单细胞分

TOP生物信息 1560

CellWhisperer中文教程:用自然语言驱动单细胞分析的AI范式

单细胞RNA测序(scRNA-seq)分析长期面临学习成本高、参数繁杂、生物语义难对齐等挑战。CellWhisperer并非简单界面汉化工具,而是一种基于大语言模型(LLM)与生物知识图谱联合嵌入的语义驱动分析范式,其核心在于将中文提问直接映射为细胞类型识别、差异表达计算、通路富集分析等底层操作。它通过UMLS术语标准化、scVI潜在空间对齐与GO/Cell Ontology结构编码,实现从自然语言到可复现结果的端到端映射。技术价值体现在零代码交互、跨模态语义理解与临床级报告生成能力,广泛适用于医学生快速入

dichengyan0013的博客 441

单细胞轨迹分析避坑指南:Monocle与CytoTRACE联合解析细胞分化潜能

单细胞转录组分析中,降维聚类与细胞注释仅完成细胞类型鉴定,而细胞分化潜能与状态解析需依赖轨迹分析。Monocle通过构建最小生成树或主图学习,将细胞按分化顺序排列在拟时间轴上,揭示连续发育过程;CytoTRACE则基于检测基因数量评估干性,为轨迹提供方向锚定。两者结合可解决拟时间方向翻转、分支点验证等核心问题,广泛应用于发育生物学、干细胞研究及肿瘤异质性分析。本文详细拆解Monocle 2/3选择依据、CytoTRACE输入矩阵陷阱、根节点设置策略及分支点验证方法,提供从环境配置到结果可视化的完整实操流程与

weixin_34306593的博客 463

eccDNA研究实战指南:从建库测序到生信分析全面解析

染色体外环状DNA(eccDNA)是游离于染色体基因组之外的环状遗传物质,曾长期被视为技术伪影,近年来却被证实是肿瘤进化的重要驱动因子。肿瘤细胞中,eccDNA可携带完整癌基因、增强子等调控元件,通过滚环复制实现拷贝数爆发式扩增,并以无着丝粒特性随机分配至子细胞,从而加速肿瘤异质性、耐药与复发。精准识别eccDNA需要打通湿实验与干实验全链条:样本富集、酶切建库、双端测序等步骤决定了数据质量,而Circle-Map、eccDNA-somatic等生信工具则可从海量NGS数据中提取高置信度环状分子信号。在应用

weixin_33788244的博客 439

Cibersort免疫浸润分析实战:从反卷积原理到结果解读

免疫微环境是肿瘤研究中的高频关注点,而Bulk转录组数据中免疫细胞比例的推断,本质上是一个反卷积问题。Cibersort作为经典的免疫浸润分析工具,基于LM22特征矩阵和支持向量回归算法,能够将混合表达谱分解为22种免疫细胞的相对丰度,并通过置换检验提供置信度评估。理解其数学逻辑有助于科研人员正确选择分析策略,避免因数据格式或参数设置不当导致的偏差。在肿瘤免疫、预后标志物筛选等场景中,Cibersort的结果常用于组间比较、生存分析和多算法交叉验证。本文从免疫浸润的核心概念出发,系统梳理了Cibersort

weixin_34409357的博客 269

Gemini 3.0科研协作者:5个结构化提示词加速文献综述与实验设计

大语言模型在科研中的价值,正从通用问答转向深度嵌入研究流程——这要求我们理解其本质是‘可编程的信息处理中间件’,而非智能搜索引擎。核心原理在于通过结构化输入(如JSON元数据、SOP步骤、视觉元素描述)与约束性输出(坐标系归类、反事实漏洞链、期刊风格句式)实现高鲁棒性任务执行。技术价值体现在显著压缩信息萃取周期(如28页论文摘要从57分钟降至9分钟)、暴露人工易忽略的系统性偏差(如PMSF半衰期导致的蛋白酶抑制失效),并支撑关键场景:文献逻辑骨架构建、实验方案漏洞扫描、基金本子原子级问题下钻、学术汇报跨模态

chuanggangbo5551的博客 419

免疫浸润分析实战:ssGSEA原理与R实现指南

转录组测序数据中蕴藏着肿瘤微环境的免疫细胞浸润信息,通过特征基因集评估不同免疫细胞亚群的相对丰度,是肿瘤免疫研究的关键步骤。单样本基因集富集分析(ssGSEA)作为一种无需反卷积矩阵的算法,能够在单个样本水平上量化免疫细胞富集分数,其原理基于基因表达排序与经验累积分布函数的差值积分,对数据格式要求宽松且结果稳健。借助GSVA包,研究者可从表达矩阵快速获取免疫浸润评分,进而开展分组比较、生存分析等下游应用。本文系统梳理ssGSEA的核心原理、数据准备、R语言实现步骤及常见问题排查,为免疫浸润分析和肿瘤微环境相

weixin_34290631的博客 373

单细胞转录组分析流程八(inferCNV,inferCNV score)

在肿瘤单细胞 RNA 测序分析中,我们通常依赖关键基因或 marker 来进行细胞分群,大体上可以把不同细胞亚群区分开来。然而,当某些 marker 在多种细胞类型中广泛表达,尤其是同时出现在肿瘤细胞和正常细胞(转录组水平相似)中时,“常规流程”就很难准确判断细胞的良恶性,此时就需要从另一个维度切入。肿瘤细胞往往携带更多、更大尺度的染色体拷贝数变异(CNV),而正常细胞的基因组相对稳定。如果能够在单细胞水平上可视化这些 CNV 模式,就可以为良恶性细胞鉴别提供有力的辅助证据。inferCNV。

春困秋乏夏打盹,睡不醒的冬三月 2088

infercnvpy:从scRNA-seq数据推断拷贝数变异(CNV)。 与Scanpy完美搭配

infercnvpy:Scanpy插件可从单细胞转录组学数据推断拷贝数变异(CNV) Infercnv是可扩展的python库,用于从单细胞转录组学数据推断出拷贝数变异(CNV)事件。 它受InferCNV的启发,但是与很好,并且可伸缩性更高。 警告: 该软件包仍处于实验阶段。 该结果未经验证,只是它们看起来与InferCNV的结果相似但不相同。 我们很高兴收到反馈,欢迎您提供帮助! 入门 请参考。 特别是 和 。 安装 您需要在系统上安装Python 3.8或更高版本。 如果您没有安装Python,建议您安装 。 安装infercnvpy的方法有几种: 从安装最新版本的infercnvpy: pip install infercnvpy 安装最新的开发版本: pip install git+https://github.com/icbi-lab/infercnvpy.gi

从理论到代码:蒙特卡洛法在光学散射模拟中的应用全解析(Matlab 2014a版)

本文详细解析了蒙特卡洛法在光学散射模拟中的应用,从数学原理到Matlab 2014a实现。通过模拟光子随机游走过程,精确描述光在浑浊介质中的传输特性,提供完整的源码实现和性能优化技巧,适用于生物医学光学、大气遥感等领域。

rum55的博客 633

联想X3650M5服务器双模式切换实战:UEFI与Legacy BIOS如何选择?

本文深入探讨了联想X3650 M5服务器在UEFI与Legacy BIOS启动模式间的选择策略。文章从技术原理、决策矩阵、实战切换步骤及后期验证等方面,为企业IT管理员提供了基于操作系统兼容性、存储架构、安全合规与运维习惯的完整决策框架,帮助其在数据中心硬件生命周期管理中做出明智选择。

weixin_29207533的博客 281

从网格划分到结果解读:一次完整的子弹侵彻LS-DYNA仿真避坑指南

本文详细解析了子弹侵彻LS-DYNA仿真中的关键技术与避坑指南,涵盖网格优化、对称边界条件设置、沙漏控制参数调整及结果可信度验证。通过HyperMesh网格划分和LS-DYNA高级参数配置,帮助工程师提升仿真精度与效率,确保计算结果物理可信。

weixin_29816689的博客 409

第七天 Labview进阶(7.2 与汇川PLC通信)

运行环境: Labview 2020 Autoshop v4.10.1.1 该文档中包括Labview程序和汇川PLC程序,可以完美实现Labview与汇川PLC的通信。具体的使用教程可以参考本人的相关文章,讲解详尽,请尽情享用!

weixin_38637405的博客 3535

图机器学习(9)——图正则化算法

网络信息能够有效约束模型行为,确保相邻节点的输出保持平滑过渡——这种特性在半监督场景中尤其重要,可实现未标注节点的信息传播。更进一步,这种机制也可用于正则化学习过程,从而提升模型在未见样本上的泛化能力。在本节中,我们探讨了在学习阶段应用正则化技术的方法,用于显著提升模型的鲁棒性,使其具备更优异的泛化能力。

盼小辉丶的博客 9222

华为OD机试真题 新系统2026-04-15 C++ 实现【失灵的键盘】

有一个键盘有2个按键失灵了,按下这些键时会连续输出其他键对应的字符两次。具体如下: 1. 按下j键一次,屏幕上显示uu(两个连续的u);  按下b键一次,屏幕上显示t(两个连续的t) 2. u键和t键是好的,按下u键一次时,屏幕只会显示一次u(正常按键);按下t键一次时,屏幕只会显示一次t(正常按键) 3. 假定屏幕上连续显示两个t一定是按了一次b键,而不是两次t键;假定按键t之后不会紧接着按键b,即tttt转义为两个b,而不可能是tb

MISAYAONE的博客 213

ATT MTU 交换机制:提升 BLE 数据传输效率的关键

在低功耗蓝牙(BLE)技术的面试中,ATT MTU 交换机制始终是高频考点。无论是芯片厂商的固件开发岗,还是物联网设备的协议栈调试岗,面试官都爱通过这个知识点考察候选人对 BLE 数据传输底层逻辑的理解。本文将系统梳理核心考点,结合历年真题详解应答思路,轻松应对这类问题。​

byte轻骑兵的技术小窝 2416

Python爬虫教程:抓取Android或iOS应用中的数据

随着智能手机的普及,移动应用程序已经成为我们生活中不可或缺的一部分。从社交媒体、在线购物到金融服务和健康管理,几乎所有领域都有相应的手机应用程序(App)服务用户。而这些应用程序通常会存储大量的数据,例如用户行为、产品信息、订单记录等。如果我们能有效地抓取这些数据,可以为数据分析、商业智能、用户行为分析等提供有力支持。本文将重点介绍如何使用Python爬虫技术抓取Android或iOS应用中的数据,尤其是如何从这些应用的后端接口、存储、或网页中提取数据。我们将探讨如何通过反向工程技术访问移动应用中的API接

2201_76125261的博客 803

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

上一篇: 单细胞分析实录(11): inferCNV的基本用法
下一篇: 单细胞分析实录(13): inferCNV结合UPhyloplot2分析肿瘤进化
TOP生物信息
博客等级 码龄10年 947粉丝 83原创
评论 7
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址