library(Seurat)
library(tidyverse)
library(sloop)
## 10x Visium
seu_vis <- Load10X_Spatial(data.dir = "data/human_lymph_node/",
filename = "V1_Human_Lymph_Node_filtered_feature_bc_matrix.h5")
image <- Read10X_Image(image.dir ...## nt和nr库
https://ftp.ncbi.nlm.nih.gov/blast/db/
https://ftp.ncbi.nlm.nih.gov/refseq/release/
https://nmdc.cn/datadownload
########################################################
##三代纳米孔宏基因组分析 #
# 1 纳米孔测序数据处理 #
cp -r /TestDatas/nanopore8/data/fast5_files...16S 选择测序区域 V3+V4
ITS测序主要是针对真菌多样性的研究，注释准确度高；
18S测序针对的是真核微生物，注释到的范围广，但是就真菌来说精确度相对较低
1.原始数据到OTU表格
# 双端测序数据合并
# Barcode 引物去除
# 去除嵌合体序列
# 聚类生成OUT
# 物种注释
# OTU 过滤
# 数据标准化
OTU是人为给某一个分类单元（品系，种，属，分组等）设置的同一标志。
要了解一个样品测序结果中的菌种、菌属等数目信息，
就需要对序列进行聚类操作（cluster）。通过聚类操作，将
序列按照彼此的相似性分归为许多小组，一个小组...### 背景
单细胞数据分析的核心步骤到底是在分析基因表达矩阵协方差的来源
对细胞的cell embedding，图谱提供好的model，可看自己数据在其中的关系
library(Seurat)
library(GEOquery)
setwd(here::here())
# cached.object <- "input/SadeFeldman.seurat.rds"
cached.object <- "input/SadeFeldman.seurat.qs"
options(t...## 背景
http://www.seqyuan.com/GRN.html
https://lishensuo.github.io/posts/bioinfo/010%E5%8D%95%E7%BB%86%E8%83%9E%E5%88%86%E6%9E%90%E5%B7%A5%E5%85%B7--%E8%BD%AC%E5%BD%95%E5%9B%A0%E5%AD%90pyscenic/
## 数据securt多样本数据
外源刺激 -> TF(GRN) -> 转录组的变化 -> 通路/生物学过程的变化
## 准备pyS...## 背景
多样本分析流程
https://satijalab.org/seurat/archive/v3.0/immune_alignment.html
https://github.com/satijalab/seurat-wrappers
library(Seurat)
### 样本1
scdata1 <- data.table::fread('data/immune_control_expression_matrix.txt.gz', data.table = F)
rownames(scdata1) &l...## 背景
基因集打分
## 数据准备
rm(list = ls())
library(Seurat)
scdata <- Read10X(data.dir = "./data/10x/filtered_gene_bc_matrices/hg19/")
scobj <- CreateSeuratObject(counts = scdata,
project = "pbmc3k",
min....## 背景：
基因集富集分析
### https://bioconductor.org/packages/release/bioc/vignettes/fgsea/inst/doc/fgsea-tutorial.html
rm(list = ls())
library(fgsea)
library(data.table)
library(ggplot2)
data(examplePathways)
data(exampleRanks)
set.seed(42)
fgseaRes <- fgsea(pathways = examplePa...rm(list = ls())
#################################################
exprSet <- read.table("data/GSE42872_series_matrix.txt.gz",
comment.char = "!",
stringsAsFactors = F,
header = T)
### 第一...下面的代码还未测试 ，后续测试
library(Seurat)
library(tidyverse)
## 1 常规富集分析----
# 常规富集基于 top DEG
library(clusterProfiler)
library(enrichplot)
### 1.1、获得DEG----
# 同前，只需要要把默认 idents 从 seurat_clusters 改成 cell_type
Idents(sc_pbmc_int3)
Idents(sc_pbmc_int3) = "cell_type&q...