手机成人游戏 单细胞数据结构-Seurat对象
一、单细胞数据处分设施-Seurat设施手机成人游戏
现在，分析单细胞的用具越来越多。其中，Seurat是一个集大成的R包，包含了各式处分单细胞的设施。在R话语中，它使用了S4编程时代。在单细胞数据分析中，Seurat使用亦然最多的，表示其构建的单细胞数据结组成为分析单细胞数据的蹙迫基础（这是在你使用Seurat包时，不然，请忽略！）。
二、Seurat对象的结构
Seurat变量是一种S4对象结构，在首次构建一个对象时，其基本的结构如下（示例）。
# 创建Seurat对象> ZSR.N <- CreateSeuratObject(ZSR.N, min.cells = 3)
图片
Seurat对象的主要属性解读：
（1）assays属性
该属性主要存储了系数细胞的UMI原始数据和圭臬化数据。在首次构建对象时，也存在相应的属性，仅仅属性值要么是空，要么和原始数据保握一致。默许情况下，咱们是对Seurat中的RNA的Assay进行操作。不错通过@active.assay检察现时默许的assay，通过DefaultAssay()改换现时的默许assay。
图片
RNA是assary探听的第一个属性值，包含了以下系数的属性值
counts：包含了系数细胞的原始UMI数目矩阵手机成人游戏，一种稀零矩阵
data：在首次构建Seurat时，与counts保握一致；当使用NormalizeData()函数圭臬化后，修改为该设施圭臬化后的值；主要用于各异分析等
scale.data：首次构建时，大小为0；当使用ScaleData()函数表表动荡后，修改为该设施圭臬化的值；主要用于PCA，UMAP，t-SNE等数据分析等
var.features：用于存放高变异的基因名，默许情况下为空。咱们不错用函数VaribleFeatures()来赢得这个向量。
meta.features：对每个 features 作念的注释。淌若要对 features 的功能进行注释、打分、筛选齐需要用到meta.features。
（2）meta.data属性
描写每个细胞信息的元数据，每一溜代表一个细胞，每一列代表细胞的属性。默许情况下，主要包括orig.ident, nCount_RNA, nFeature_RNA等属性。在后续进行部分运算时，比如线粒体，红细胞等百分比，不同折柳率下的细胞聚类等信息等，也会保存在该属性下。
图片
orig.ident：一般保存的是该对象中系数细胞的样蓝本源，约略字据我方的需求改换为对细胞的注释。
nCount_RNA：每个细胞的总坚硬的UMI数目
nFeature_RNA：每个细胞的总坚硬的基因数目
meta.data不错用于细胞的筛选或过滤（依据细胞的属性和类型对细胞进行筛选）。
meta.data也不错把分析得到的遵守，保存到mata.data中，比如线粒体的比例，红细胞的比例等
（3）active.assay属性：暗意后续分析历程中，使用的数据矩阵；不错通过 active.assay属性，查询现时默许激活的assay对象，也不错用 DefaultAssay()函数竖立激活的 assay对象。
（4）active.ident属性：暗意每一个细胞所属的细胞类型。细胞类型可能有多种不同的分类设施，有些是自动注见识遵守，有些可能是手动注见识遵守。但在某一时分激活的细胞类型注释设施是不同的。不错通过用active.ident属性来查询现时默许的细胞类型。
（5）reductions属性：是一个列表对象，包含了一个或多个 DimReduc obect 对象。每一个 DimReduc object 对象对应一种降维分析遵守，比如PCA, UMAP, t-SNE等。
（6）commands属性：保存操作该对象的敕令及参数
三、NormalizeData和ScaleData两种圭臬化设施的区别
色无月原始数据如下形态，点号代表莫得抒发（为0值）：行是基因，列是细胞
> ZSR.N@assays$RNA@data[1020:1030, 100:103]11 x 4 sparse Matrix of class "dgCMatrix" ZSRN_ACCAGTAGTTCGAATC ZSRN_ACCCACTAGTTAACGA ZSRN_ACCCACTCAGGTTTCA ZSRN_ACCCACTTCGTGGACCSETDB1 . . . .CERS2 . . . .MINDY1 . . . .PRUNE1 . . . .BNIPL . . 2 .C1orf56 . . . .CDC42SE1 1 . 1 .MLLT11 . . . .GABPB2 . . . .SEMA6C . . . .TNFAIP8L2 . . . .
2.1 NormalizeData()函数
该圭臬化设施是用往复除由于测序深度带来的影响，后续对设施进行了优化，造成了一个新的圭臬化设施-SCTransform圭臬化设施。
基答允趣所以细胞为单元，对该细胞中坚硬到的系数基因的counts乞降，再将该细胞中每一个基因的counts除以和，再乘以一个因子（默许1000），终末，对系数值取log10变换。
主要用于各异分析，高可变基因瓜分析
# 以BNIPL基因为例，在ZSRN_ACCCACTCAGGTTTCA细胞中为 2# 策画ZSRN_ACCCACTCAGGTTTCA（第三列）的总counts数total <- sum(pbmc@assays[["RNA"]]@counts[,2])# 策画圭臬化后的值log1p(2/total*10000)
2.2 ScaleData()函数
该设施的基答允趣所以基因为单元，对基因进行z-score圭臬化手机成人游戏，主要用于PCA, UMAP, t-SNE等降维分析。
#统计 BINPL 基因在系数细胞中平均抒发均值mean(pbmc@assays$RNA@data['BINPL',])#[out]:0.05966781#统计 BINPL 在系数细胞中抒发圭臬差sd(pbmc@assays$RNA@data['BINPL',])#[out]:0.3216486# z-score策画(1.625141-0.05966781)/0.3216486本站仅提供存储就业，系数现实均由用户发布，如发现存害或侵权现实，请点击举报。