- 博客(31)
- 收藏
- 关注
RSS订阅原创 统计学基础之统计与推断(生物信息方向)
生物信息学数据本质上是随机变量的观测结果随机变量由概率分布描述不同分布反映不同的生成机制与噪声结构这个基因平均表达多少？波动大不大？分布是不是偏的？我看到的这个差异，是否可信？从“描述分布” → “基于有限样本进行推断”这一章，正是完成这个转变的核心章节。以均值为例：这是一个随机区间，因为 Xˉ\bar{X}Xˉ 是随机变量。p 值是：在 H0H_0H0 为真的前提下，观察到“至少同样极端”数据的概率。为真的概率结果是偶然的概率%5CmuH_%7B0%7D。
2026-01-04 18:06:49
777
原创 空转_单样本（基于python）
1.空间转录组分析关键点保留组织上的 spot标准化 + 高变基因PCA → 邻接图 → 聚类 → UMAP 可视化聚类主要反映空间表达域，而非细胞类型2.可视化和结果解释聚类结果映射到空间切片查看 marker 基因空间分布分辨率选择结合空间连续性和生物学合理性3.注意事项Scrublet 双重态检测仅作为参考PCA、neighbors 参数对结果有明显影响多分辨率聚类可帮助选择稳定的空间 domain。
2025-12-25 11:28:54
1482
原创 空间转录组上游（Space Ranger）
空间转录组（Spatial Transcriptomics, ST）技术在传统转录组与单细胞转录组的基础上，引入了空间位置信息，使研究者能够在组织结构背景下解析基因表达模式。相较于下游分析中对空间结构、生物学机制的深入挖掘，上游分析的核心目标在于：将测序原始数据转换为高质量、可用于空间建模和生物学解释的表达矩阵与空间坐标信息。空间转录组的上游分析直接决定了后续空间聚类、空间差异基因、空间通讯等分析的可靠性。因此，系统、规范地理解其上游分析流程具有重要意义。不同空间转录组技术路线，其上游数据形态与处理方式存在
2025-12-18 17:37:23
1806
2
原创 linux常见指令与实例（生物信息方向）
在生物信息学中，无论是转录组、单细胞、基因组还是宏基因组分析，。原因主要包括：测序数据体量大（FASTQ/ BAM/ VCF 动辄几十 GB）主流分析软件（FastQC、STAR、BWA、GATK、CellRanger 等）主要基于 Linux服务器与高性能计算平台几乎全部使用 Linux因此，。本文将从最常用的 Linux 指令入手，结合 FASTQ 文件的真实操作场景，帮助你快速建立“能用”的 Linux 能力。
2025-12-17 18:24:06
1045
原创 统计学基础与常见名词（生物信息方向）
本部分对科研统计学的核心要素进行了概要性梳理，包括集中趋势、离散度、分布形态、相关结构、概率视角、置信区间与假设检验等基础概念，并结合常见的数据可视化方式进行了直观说明。内容旨在为读者建立一个系统化的入门框架，使其能够在阅读科研文献、理解数据特征或开展基础分析时具备必要的统计思维。在后续章节中，本专栏将进一步展开这些主题的数学原理、推断逻辑与实际应用方法，包括更严格的公式推导、方法选择策略以及典型科研情境下的分析案例，帮助读者从“理解概念”迈向“能够正确应用”
2025-12-12 17:48:14
1555
原创 机器学习（生物信息方向）--序言
从本质上讲，机器学习是一类让计算机从数据中自动学习规律，并基于这些规律进行预测、分类或决策的方法集合。与传统“规则驱动”的编程方式不同，机器学习并不依赖人为显式编写判断规则，而是通过数据训练模型，使其在未知样本上具备泛化能力。不再人为设定“某个基因高表达即为关键基因”而是让模型从成千上万基因的联合变化中学习疾病状态、细胞类型或功能模块的判别模式统计学回答“是否显著”，机器学习回答“能否预测”。分类用于疾病诊断、细胞注释、分子亚型预测聚类用于亚群发现、模块识别、微生物组分析、单细胞分群回归。
2025-12-11 11:24:53
1056
1
原创 CellChat 原理介绍：从单细胞数据推断细胞通讯的科学方法
CellChat提供的这套强大的信号通路分类与量化分析框架，使我们能够超越对细胞类型的简单描述，深入到驱动组织功能、疾病进程的。
2025-12-10 16:37:48
1283
原创 单细胞转录组分析流程十一（细胞通讯，cellchat，多个不同细胞的样本）
在前面的文章中，我们已经分别介绍了单样本 CellChat 分析以及多样本 CellChat 的比较分析思路。CellChat 在进行样本间对比时，默认要求各个样本具有完全一致的细胞类型组成。这一前提在理想化的数据中或许成立，但在真实的生物学研究中却几乎难以满足。以肿瘤研究为例，肿瘤组织中通常富含多种免疫细胞，如 CD4⁺ T 细胞、NK 细胞、浆细胞等，而在对应的正常组织中，这些细胞类型可能完全不存在或仅占极低比例。
2025-12-10 12:00:20
1517
原创 单细胞转录组分析流程十一（细胞通讯，cellchat，双（多）样本）
在上一期中，我们已经完整讲解了，从数据准备、信号通路推断，到可视化展示细胞之间的交流方式。然而，在真实的生物医学研究中，，而是 ——。无论是，研究者最关心的往往都是：哪些细胞的通讯增强了？哪些信号通路被抑制了？哪些细胞间的互动发生了重塑？双样本 CellChat 分析正是为了解决这些问题。通过构建两个 CellChat 对象，并进行合并、对比、差异分析，研究者可以系统性地揭示，从而更深入理解微环境调控、疾病发生机制以及治疗干预效果。这一篇专栏将带你系统掌握。
2025-12-09 23:33:15
3202
原创 单细胞转录组分析流程十一（细胞通讯，cellchat，单样本）
基于ViVoh">在单细胞转录组数据中，每个细胞并不是孤立存在的，它们会不断通过分泌信号分子、表达受体等方式进行“交流”。这些交流就像细胞之间的“语言”，决定了组织如何维持稳态、免疫细胞如何启动反应、发育过程中细胞如何分化成不同谱系。细胞通讯分析（Cell–cell communication analysis）就是利用基因表达数据来研究不同细胞类型之间如何互相“对话”。其核心思想是：如果某一类细胞高表达某个配体（ligand），而另一类细胞表达其对应受体（receptor）
2025-12-08 17:24:00
1472
原创 单细胞转录组分析流程十（免疫细胞细分，B/Myeloid 细胞篇）
在单细胞转录组研究中，除了 T 细胞和 NK 细胞，也是免疫系统中不可或缺的重要成员。它们在抗感染、防御肿瘤、炎症调控以及维持组织稳态中扮演核心角色。
2025-12-02 17:13:59
1853
原创 单细胞转录组分析流程十（免疫细胞细分，T/NK 细胞篇）
在单细胞转录组研究中，免疫细胞往往是理解组织微环境和疾病机制的关键切入点。特别是在肿瘤、感染、炎症、自身免疫疾病等研究中，T 细胞和 NK 细胞承担着机体最重要的免疫执行功能，其多样的亚型和动态状态决定了免疫应答的强度与方向。因此，在常规的细胞注释基础上，对免疫细胞进行更精细的识别与分层，是深入解析免疫功能状态的必要步骤。在前文中，我们已经对上皮细胞进行了提取与再分析，通过聚类降维、轨迹重建等方法描绘了肿瘤细胞的发展路径。
2025-11-28 18:15:50
2050
原创 单细胞转录组分析流程九（轨迹分析/拟时序，monocle3）（三）
在上一节中，我们识别了一批沿拟时序显著变化的动态表达基因（modulated genes）。单个基因的变化可以提供线索，但生物过程往往不是由某一个基因单独驱动的，而是由**多个基因共同组成的调控模块（gene modules）**协同完成。因此，进一步探索这些动态基因之间是否存在“同涨同跌”“同升同降”的表达模式，就显得尤为关键。
2025-11-26 15:55:01
1672
原创 单细胞转录组分析流程九（轨迹分析/拟时序，monocle3）（二）
通过以上分析，我们不仅构建了细胞的发育轨迹，还进一步识别了沿着轨迹不断发生变化的动态表达基因（modulated genes）。这些基因的上调或下调模式，往往反映了细胞在不同阶段所经历的生物学事件，例如命运决定、功能激活、应激响应或恶性演进等。借助 Monocle3 的、pseudotime 排序以及热图与趋势图的可视化，我们能够更直观地理解细胞在时间维度上的转录程序变化。换句话说，轨迹分析告诉我们细胞往哪里走，而动态基因分析则进一步解释细胞为什么这样走。
2025-11-25 16:08:31
1940
原创 单细胞转录组（scRNA）去批次方法与原理
单细胞去批次（batch effect correction）”是单细胞转录组分析中最关键的一步之一。不同样本、不同测序批次、甚至不同实验条件都会带来，这些差异必须校正，否则会严重影响聚类、伪时间、差异分析等结果。
2025-11-24 18:08:22
1035
原创 单细胞转录组分析流程九（轨迹分析/拟时序，monocle3）（一）
在前面的分析中，我们已经对细胞完成了提取亚群、差异表达、inferCNV等步骤，逐渐描绘出了不同细胞状态在某一时间点上的图谱。但单细胞数据最迷人的地方在于：它不仅能告诉你每个细胞“是什么状态”，还可以推测细胞“将要变成什么”。这一步，就是——轨迹分析（Pseudo-time analysis）。轨迹分析的核心思想是：Monocle3 是目前使用最广泛、最稳定的轨迹分析工具之一。单细胞数据只有一张静态照片，但生物学过程却是动态的。轨迹分析通过 “分子特征相似度” 推测出细胞状态变化的方向。例如：轨迹分析不
2025-11-24 17:52:28
1716
原创 单细胞转录组（scRNA）标准化原理
是单细胞分析的第一步，其主要目的是。每个细胞在测序中得到的基因表达值会因为不同的测序深度（如 UMI 数量或细胞捕获效率）而存在差异。通过标准化，我们可以将这些差异消除，从而保证细胞之间可以进行公平的比较。通过（Total Count Normalization）来对数据进行标准化，即每个细胞的所有基因表达值都会被除以细胞的总 UMI 数，然后乘以一个常数（通常为 10,000 或 1,000,000），最终结果是每个细胞的基因表达数值都在一个相同的尺度上，使得细胞之间具有可比性。其中。
2025-11-23 09:36:18
1216
原创 单细胞测序（单细胞测序的分类与发展：解码每一个细胞的秘密）
在我们的身体里，成千上万的细胞看似相同，却各司其职。传统的测序方法只能“混着测”——就像把不同水果榨成果汁，只能知道“总体味道”，却分不清哪种水果贡献了什么。而**单细胞测序（Single-cell sequencing）**的出现，让科学家第一次能“拆解果汁”，直接分析每一颗细胞的基因信息，从而揭开生命最微观层面的规律。随着技术不断发展，单细胞测序已经从最初的“只看RNA”，扩展到DNA、染色质、蛋白乃至空间信息，逐渐形成了多个分支。下面就带你了解最常见的几大类。
2025-11-23 09:23:50
778
原创 单细胞转录组（scRNA）分析工具--inferCNV原理
inferCNV 是一种利用单细胞 RNA 表达推断染色体拷贝数变异使用正常参考细胞构建 baseline按染色体顺序平滑表达矩阵标准化后可视化 / 聚类辅助识别恶性克隆和肿瘤亚群数理基础：线性假设 + 滑动窗口平均 + z-score 标准化 + 聚类判定。适用范围：肿瘤 scRNA-seq 数据，有正常参考细胞，适合发现大片段 CNV、恶性克隆。注意事项：需足够基因覆盖、尽量减少批次影响，对小片段 CNV 灵敏度有限
2025-11-22 18:51:34
1408
原创 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。
2025-11-22 12:52:19
2063
2
原创 单细胞（scRNA--原理和分类）
随着长读长测序（如PacBio HiFi、ONT Q20+）准确率提升和多组学、空间转录组技术的融合，未来的单细胞测序将实现更高灵敏度、更全面的全长转录本解析，为生命科学与精准医疗带来更深层次的突破。说起测RNA全长，自然就离不开三代测序，单细胞中当然有三代测序，不过还在发展和优化阶段，并不是主流，并且与二代（Illumina、华大DNBSEQ）相比，还存在。上述表格是根据分离单细胞的原理进行分类，但无非都是将组织中的单个细胞分离出来进行RNA测序，只不过所选方法不同，而在测序过程中又分为两类，也就是。
2025-11-21 17:54:27
1412
原创 单细胞转录组分析流程七（差异表达与功能富集分析）
本篇文章基于依旧使用在前面的分析中，我们已经从整个单细胞数据集中成功。上皮细胞在许多组织中都扮演关键角色，在肿瘤研究、炎症研究以及再生医学中更是核心对象。这些都需要通过来解答。
2025-11-21 10:04:36
1739
原创 单细胞转录组分析流程六（提取亚群）
细胞注释之后，我们真正的分析才刚刚开始在上一阶段，我们已经完成了单细胞数据中最重要的一步——细胞类型注释。也就是说，现在你已经拥有了一张完整的“细胞城市地图”：哪里是免疫细胞的聚集区？哪里是成纤维细胞的工地？哪里是上皮细胞构成的主体结构？细胞都注释好了，那接下来还需要做什么？事实上，单细胞注释只是大图铺开，真正的精细分析才从这里开始。因为即使在同一种细胞类型内部，仍然隐藏着大量差异与生物学意义：例如 T 细胞中分布着效应 T、耗竭 T、记忆 T；
2025-11-20 10:02:41
2536
原创 单细胞转录组分析流程五（marker基因展示，AddMouduleScore与细胞比例）
在完成细胞类型注释之后，我们通常会对，进一步验证注释结果的可靠性。Marker 基因是每种细胞类型特有的高表达基因，通过可视化这些 marker，可以直观判断某个 cluster 是否表达对应细胞类型的特征，从而确认注释是否准确。
2025-11-20 09:54:53
1101
原创 单细胞转录组分析流程四（注释）
本章是单细胞数据分析中最重要的内容——细胞类型注释。我们后续的所有分析，都必须基于正确的细胞类型进行；如果注释错误，将导致下游分析结果全部偏离真实生物学意义。因此，准确的细胞类型注释是单细胞分析的基础。通常我们会结合自动注释（如 SingleR）手动 marker 基因验证，以及UMAP 聚类位置和细胞亚群特征，综合判断每一类细胞。只有在确认细胞身份准确后，才能开展差异表达分析、细胞互作分析或轨迹推断等后续研究。
2025-11-19 09:49:58
3651
原创 单细胞转录组分析流程三（聚类，clustree）
单样本单细胞转录组流程（基于多样本单细胞转录组流程（基于无论是单样本流程还是多样本整合流程，在完成标准化、PCA 以及去批次（对多样本）之后，下一步便进入单细胞分析中最核心、最能揭示生物学结构的部分——。它们决定了我们最终能否识别出不同的细胞类型和状态。在进行单细胞聚类之前，一个关键步骤是。如果说 PCA 是把几万维的基因表达信息压缩成几十维的关键步骤，那么“选多少个维度”就决定了后续分析的精细程度。维度选太少，会错过真实的生物差异；选太多，则会把噪音引入聚类，导致结果不稳定。
2025-11-19 09:34:25
2011
原创 单细胞转录组分析流程二（多样本合并与去批次）
本阶段我们完成了单细胞转录组分析的多样本合并与去批次处理。由于不同样本在测序批次、实验条件等方面存在差异，直接合并会引入系统偏差。通过 Seurat v5 的多层结构（layered assay），我们实现了各样本的独立标准化与高变基因筛选，并利用 Harmony 算法在降维空间中校正批次效应，使细胞按生物特征而非样本来源聚集。至此，我们获得了批次效应消除、可直接用于聚类和细胞类型注释的高质量整合数据。完整流程(经典标准化加Harmony去批次)
2025-11-18 10:25:13
1928
原创 单细胞转录组分析流程一（质控，标准化，以及参数选择）
单细胞转录组测序（scRNA-seq）平台的核心目标相同：从单个细胞中捕获mRNA → 反转录成cDNA → 建库 → 测序 → 生成表达矩阵。但是就如之前介绍的那样，单细胞测序技术平台类型多样，例如 10x Genomics、BD Rhapsody、Smart-seq 系列、Drop-seq 等，各平台在细胞捕获方式、文库构建策略和测序深度上均存在差异，因此其生成的数据格式也并不完全一致。
2025-11-18 10:15:02
2716
4
inferCNV所需基础文件3，基因名为Gene Symbol 基因组位置数据文件解析：人类染色体基因符号与坐标映射表构建
2025-11-24
infercnv所需基础文件三 ，基于Ensembl数据库的人类基因位置注释文件解析：chr1-chr22染色体基因坐标信息提取与结构分析
2025-11-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人