单细胞测序技术是在单个细胞水平上，对基因组、转录组和表观基因组水平进行分析测序技术。bulkRNA-seq获得的是组织或器官等大量细胞中表达信号的均值，无法获取细胞之间的差异信息（即丢失了细胞的异质性），而单细胞测序技术可以很好的弥补bulkRNA-seq这一不足，即获取混合样本中

scRNA批量导入从数据库中下载的scRNA数据点击查看代码library(Seurat)#从数据库里下载并解压的文件路径path<-'./GSE221575_RAW/'fs=list.files(path,pattern='^GSM')samples<-substr(fs,1,10)lapply(unique(samples),function(x){y=fs[grepl(x,fs)]f

解决了2天，坑点满满，哭死

SeuratDimplot,Vlnplot画图时报错，Errorinsetup_panel_guides(...,self=self):unusedargument(list(~features.plot,~id))pdf(paste0("EBV_GaC","_Marker_genes_Vln.png"),width=30,height=10)>DotPlot(object=subset_cells,featur

报错安装seurat-wrappers包时报错,需要Seurat>=5.0.0加载seurat-wrappers包时namespace‘Seurat’4.4.0isalreadyloaded,but>=5.0.0isrequiredlibrary(SeuratWrappers)Error:packageornamespaceloadfailedfor‘SeuratWrappers’inloadNamespace(j<-i

写在前面学习一个软件最好的方法就是啃它的官方文档。本着自己学习、分享他人的态度，分享官方文档的中文教程。软件可能随时更新，建议配合官方文档一起阅读。推荐先按顺序阅读往期内容：文献篇：1.文献阅读：(SeuratV1)单细胞基因表达数据的空间重建2.文献阅读：(SeuratV2)整合跨

写在前面学习一个软件最好的方法就是啃它的官方文档。本着自己学习、分享他人的态度，分享官方文档的中文教程。软件可能随时更新，建议配合官方文档一起阅读。推荐先按顺序阅读往期内容：文献篇：1.文献阅读：(SeuratV1)单细胞基因表达数据的空间重建2.文献阅读：(SeuratV2)整合跨

写在前面学习一个软件最好的方法就是啃它的官方文档。本着自己学习、分享他人的态度，分享官方文档的中文教程。软件可能随时更新，建议配合官方文档一起阅读。推荐先按顺序阅读往期内容：文献篇：1.文献阅读：(SeuratV1)单细胞基因表达数据的空间重建2.文献阅读：(SeuratV2)整合跨

这篇文章我们将介绍从geo数据库下载单细胞测序数据后，多种数据格式多样本情况下，如何读取数据并创建seurat对象。本文主要结构：一、数据下载二、数据读取与seurat对象创建单样本情况下各种格式数据的读取，读取后seurat对象的创建多样本情况下各种格式数据的读取，读取后seurat对象

导读前面我们已经整合了高质量的细胞，现在我们想知道细胞群中存在的不同细胞类型，因此下面将进行细胞聚类分析。学习目标描述评估用于聚类的主成分数量的方法根据

导读现在有了高质量的细胞，首先探索数据并确定任何不需要的变异来源。然后需要对数据进行归一化，计算方差并回归任何对数据有影响的协变量。1.学习目标学会如何执行归一

 上游分析：https://www.jianshu.com/p/4f7aeae81ef1001、cell<-pbmc[["pca"]]@cell.embeddingscell<-cell[order(cell[,1],decreasing=T),]cell<-rownames(

 001、函数原型MinMax<-function(data,min,max){##该函数限定了数据框中元素的上下限data2<-datadata2[data2>max]<-max

 前期处理：https://www.jianshu.com/p/fef17a1babc2#可视化对每个主成分影响比较大的基因集001、dat<-pbmc[["pca"]]@feature.loadings

 前期处理参考：https://www.jianshu.com/p/fef17a1babc2001、dat<-pbmc[["pca"]]@cell.embeddings##绘图数据dat[1:3,1:3]plot(dat[,1],dat[,2])