单细胞测序数据的降维方法及细胞亚型鉴定聚类方法总结

最新推荐文章于 2025-11-18 09:13:36 发布
原创 最新推荐文章于 2025-11-18 09:13:36 发布 · 9.7k 阅读 · 47 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#生物信息学 #单细胞测序 #数据降维 #数据聚类 #scRNA-seq

本文总结了单细胞测序数据的降维方法，包括PCA、t-SNE、UMAP等，以及特征选择策略。同时，介绍了细胞亚型鉴定的聚类方法，如监督和非监督方法，探讨了各类方法的优缺点。对于数据处理和分析，建议选择最新发表且高质量的软件。

图1、细胞亚型的鉴定及分析（Stegle et al. NATURE REVIEWS | GENETICS, 2015）


随着单细胞测序技术的发展，每个研究或实验中测定的细胞数量在显著增加。现在很多单细胞研究中，少则产生几百，多则产生几十万的细胞数量，甚至更多。其中，细胞亚型（cell subtype or cell subpopulations）的鉴定是单细胞测序技术一个非常重要的基础应用。但由于单细胞测序数据通常涉及到很多细胞，而每个细胞中的基因数量又可能是几万个，所以，单细胞测序数据是一个高维的复杂数据。


图2、基于单细胞测序数据的细胞亚型鉴定方法总结（Andrews and Hemberg, 2018, Mol. Aspects Med.）
 

为了有效地对单细胞测序数据进行各种处理分析，特别是细胞亚型的鉴定，通常需要首先对单细胞测序数据进行降维。单细胞测序

最低0.47元/天 解锁文章
生信初学者教程（二十九）：单细胞聚类分析
专注生信领域
10-11 742
生信初学者教程（二十九）：单细胞聚类分析
单细胞数据分析（四）：细胞亚型注释
专注生信领域
10-29 1211
本文介绍了单细胞细胞亚型注释的流程和方法，旨在通过特征基因表达分析和数据库查询，对单细胞聚类后的细胞群体进行生物学分类。文章详细展示了使用R语言进行数据加载、细胞簇可视化、标记基因识别和细胞类型注释的步骤。通过Seurat包，研究人员可以分析不同细胞亚群的特征基因表达，并结合已知的标记基因数据库，识别出如内皮细胞、间充质细胞、肝细胞、胆管细胞、单核吞噬细胞、T细胞等具体细胞类型。文章还提供了数据下载链接和代码示例，帮助读者进行单细胞数据的分析和注释。
单细胞测序数据的降维方法和细胞亚型鉴定聚类方法
橙之之
08-07 1456
需要注意的是，降维方法和聚类方法只是单细胞转录组分析的一部分，还有其他的数据预处理、差异表达基因分析、细胞状态推断等步骤也是重要的。因此，在实际应用中，需要综合考虑多种方法和工具来进行全面的单细胞分析。此外，还有其他一些方法如Louvain算法、PhenoGraph等也可以用于细胞亚型鉴定聚类。这些方法的选择应根据数据的特点和分析的目标来决定。单细胞测序数据的降维方法和细胞亚型鉴定聚类方法是单细胞转录组分析中常用的技术。
单细胞测序分析（五）降维聚类&数据整合
最新发布
shushuC57的博客
11-18 987
单细胞测序分析中的降维聚类与数据整合是实现生物学意义挖掘的关键步骤。文章探讨了PCA、t-SNE和UMAP三种常用降维方法的优缺点及适用场景，强调降维可去除噪声、实现可视化并加速计算。针对批次效应问题，介绍了五种数据整合方法及其选择依据。实操部分详细演示了降维、数据整合（以Harmony为例）和聚类分析（FindNeighbors与FindClusters函数）的具体流程，并提醒需根据项目实际情况判断是否进行批次整合，避免丢失真实样本差异。最后，文章展示了如何使用不同分辨率参数进行聚类及结果可视化。
细胞类型判定指南
muhamuha2020的博客
07-09 1285
单细胞测序技术的出现使我们能够从一个新的维度去理解细胞的行为，包括命运决定，发育过渡，以及对胁迫和疾病的反应，ScRNA-seq数据分析从降维、聚类和细胞定义开始，在此基础之上再开展差异分析、富集分析、细胞通讯等各种高级和个性化分析。做过项目的老师一定深有感触，在单细胞聚类分群后，如何定义每一类细胞群是整个单细胞分析的基础，也是重中之重，但同时也是非常耗时、非常复杂的一步。 那么具体如何鉴定不同cluster的细胞类型呢？通用的方法有两种：一种是通过细胞类型特异性表达的marker基因识别；第二种是建立已知
手把手教你做单细胞测序数据分析（五）——细胞类型注释
weixin_47195452的博客
07-19 1万+
第三讲。
10X单细胞降维分析之PHATE
weixin_53637133的博客
04-23 1212
10X单细胞降维分析之PHATE
主成分分析详解
bingbangx的博客
02-09 6832
一、PCA简介 1. 相关背景 上完陈恩红老师的《机器学习与知识发现》和季海波老师的《矩阵代数》两门课之后，颇有体会。最近在做主成分分析和奇异值分解方面的项目，所以记录一下心得体会。 在许多领域的研究与应用中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在多数情况下，许多变量之间可能存在相关性，从而增加了问题分析的复杂性，同时对分析带来不便。如果分...
使用机器学习算法实现单细胞测序数据的降维和聚类（二）
今天练习代码了吗的博客
12-01 3442
本篇主要记录一下几种常用的聚类算法 使用的参考代码和数据集还是(一)里面的 1.K-Means 算法思想大致为：先从样本集中随机选取 k个样本作为簇中心，并计算所有样本与这 k个“簇中心”的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”。 根据以上描述，我们大致可以猜测到实现kmeans算法的主要四点：    （1）簇个数 k 的选择    （2）各个样本点到“簇中心”的距离    （3）根据新划分的簇，更新
使用机器学习算法实现单细胞测序数据的降维及聚类(一)
今天练习代码了吗的博客
11-29 4866
机器学习在单细胞聚类中的应用
单细胞数据降维3D可视化（scatterplot3d 包）
weixin_49214410的博客
08-15 1493
多组学 3D 数据可视化，以单细胞降维为例
Uniform Manifold Approximation and Projection (UMAP)：一种用于流形学习和降维的算法。-matlab开发
05-31
给定一组高维数据，run_umap.m 生成数据的低维表示，用于数据可视化和探索。 有关如何使用此代码的文档和许多示例，请参阅文件 run_umap.m 顶部的注释。 UMAP 算法是 Leland McInnes、John Healy 和 James Melville 的发明。 有关详细描述，请参阅他们的原始论文 ( https://arxiv.org/pdf/1802.03426.pdf )。 另请参阅原始 Python 实现的文档 ( https://umap-learn.readthedocs.io/en/latest/index.html )。 这个 MATLAB 实现遵循与 Python 实现非常相似的结构，许多函数描述几乎相同。 以下是此 MATLAB 实现的一些主要区别： 1) MATLAB 函数 eigs.m 似乎不如 Python 包 Scipy 中的函数“ei
【论文阅读】Attention-based deep clustering method for scRNA-seq cell type identification
dundunmm的博客
04-09 1542
单细胞测序（scRNA-seq）技术相较于传统的整体RNA测序，能够以更高的分辨率揭示细胞间的差异性，从而揭示生物研究中的异质性。scRNA-seq数据集的分析依赖于细胞亚群的划分。当缺乏合适的参考信息（例如特定标记基因或单细胞参考图谱）时，无监督聚类方法成为主要选择。然而，scRNA-seq数据本身具有稀疏性和高维性的特点，这对传统聚类方法构成了挑战。因此，研究人员提出了多种基于深度学习的方法来应对这些挑战。由于现有方法大多只能部分改善效果，因此仍需一种更加全面的方法。
单细胞测序流程（四）主成分分析——PCA
热门推荐
qq_45478665的博客
07-08 2万+
PCA PCA:线性降维，主要用于数据少的时候使用。看结果的时候，看打分的绝对值大小，而不是单独的看数据的大小，PCA 是最常用的降维方法，通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。 准备 之前所使用的数据 R的IDE 分析目的 为以后的细胞分群做准备，以及t-sne聚类分析。 结果 散点图，横坐标为打分的值，打分的值的绝对值越大，代表相关性越大，每个pc，选取的是前20个基因，根据系数可以绘制后面的
小学生都能懂的 UMAP（Uniform Manifold Approximation and Projection）说明
engchina的专栏
06-12 2263
小学生都能懂的 UMAP（Uniform Manifold Approximation and Projection）说明
一致流形近似与投影(Uniform Manifold Approximation and Projection, UMAP)
AI天才研究院
06-17 1万+
是一种基于流形的非线性降维算法。在数学中，“流形”是一种具有局部欧几里德空间性质的拓扑空间。通俗来说，我们可以把，但是，比如说可以使用欧几里德几何中的概念来描述它的局部特征。流形在数学中具有广泛的应用，尤其是在等领域。例如，流形可以用来描述物理世界中的，比如说。此外，流形还可以用来研究，比如说在机器学习中常用的流形学习方法就是具体来说，流形学习是一种，它的目标是。流形学习方法主要分为两类：基于和基于方法的方法。其中，基于LLE的方法通过。而基于方法的方法则是通过。
什么是UMAP：高维数据的非线性降维算法
彬彬侠的博客
03-11 3403
UMAP（均匀流形逼近与投影，Uniform Manifold Approximation and Projection） 是一种 降维算法，用于 数据可视化、特征提取，特别适用于 高维数据的非线性降维，与 t-SNE 类似，但计算速度更快，保留全局结构更好。比 t-SNE 更快，适用于大规模数据集，并且能更好地保留全局和局部结构。广泛用于 NLP（BERT）、计算机视觉（MNIST）和聚类任务。可调整超参数 n_neighbors 和 min_dist 以优化降维效果。
umap算法_UMAP:比t-SNE更好的降维算法
weixin_34984088的博客
01-17 1485
论文题目：UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction作者：Leland McInnes； John Healy； James Melville时间：December 7, 2018UMAP (Uniform Manifold Approximation and Projection) 算法是...
单细胞测序聚类树怎么看
10-14
- 引用[1]：关于单细胞测序数据的降维方法和细胞亚型鉴定聚类方法，强调需要综合考虑多种方法和工具。 - 引用[2]：关于单细胞聚类方法，具体提到Louvain算法和密度基聚类。 - 引用[3]：关于10X单细胞的聚类树绘图，...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值