scRNA |
您所在的位置：网站首页 › mt检测原理及意义 › scRNA |
scRNA
|
分享是一种态度  回顾单细胞RNA-seq分析介绍 单细胞RNA-seq的设计和方法 从原始数据到计数矩阵 差异分析前的准备工作 scRNA-seq—读入数据详解 学习目标构建QC指标和相关的图，以直观地了解数据的质量评估QC指标并设置过滤条件以删除低质量的细胞scRNA-seq质量控制流程 此工作流程的每个步骤都有自己的目的和挑战。对于原始计数数据的质量控制，包括： 目标 筛选数据，使其仅包含高质量的真实细胞，这样当我们对细胞进行聚类时，就更容易识别不同的细胞类群识别任何不合格的样本，并尝试挽救数据或将其从分析中删除，此外，还要尝试了解样本失败的原因挑战 从不太复杂的细胞中划定质量较差的细胞选择合适的阈值进行过滤，以保持高质量的细胞，而不会去除与生物相关的细胞类型建议 在执行QC之前，要求您对细胞类型的期望有一个很好的了解。例如，您是否希望在您的样本中有低复杂性的细胞或具有较高水平的线粒体表达的细胞？如果是这样，那么在评估我们的数据质量时，我们需要考虑到这种生物学因素。生成质控标准请记住，Seurat会自动为每个细胞创建一些元数据： 1# Explore merged metadata 2View([email protected]) 添加的列 orig.ident ：通常包含样本标识（如果已知），通常默认project为我们为其分配的身份nCount_RNA ：每个细胞的UMI数量nFeature_RNA ：每个细胞检测到的基因数量我们需要计算一些用于绘图的其他指标： number of genes detected per UMI: 这个度量让我们对数据集的复杂性有了一个概念(每个UMI检测到的基因越多，我们的数据就越复杂)mitochondrial ratio: 这个度量将给我们提供一个源自线粒体基因的细胞读数的百分比。每个细胞的每个UMI的基因数量非常容易计算，我们将对结果进行log10转换，以便更好地在样本之间进行比较。 1# Add number of genes per UMI for each cell to metadata 2merged_seurat$log10GenesPerUMI = 250) & 5 (log10GenesPerUMI > 0.80) & 6 (mitoRatio < 0.20))Gene-level filtering在我们的数据中，我们将有许多零计数的基因。这些基因可以极大地降低细胞的平均表达量，所以我们将把它们从我们的数据中删除。首先，我们将删除所有细胞中零表达的基因。此外，我们还将根据prevalence执行一些过滤。如果一个基因仅在少数细胞中表达，那么它就没有什么特别的意义，因为它仍会降低未在其中表达的所有其他细胞的平均值。对于我们的数据，我们选择只保留在10个或更多细胞中表达的基因。 1# Output a logical vector for every gene on whether the more than zero counts per cell 2# Extract counts 3counts |
【本文地址】
今日新闻 |
推荐新闻 |