- 博客(215)
- 收藏
- 关注
RSS订阅原创 R语言ggplot2散点形状和填充
参数来调整散点图中点的形状。支持多种形状，可以通过数字或名称指定形状。：空心三角形（带边框）：实心三角形（带边框）：空心三角形（向上）：空心三角形（向右）：空心三角形（向下）：空心三角形（向左）：实心三角形（向上）：实心三角形（向右）：实心三角形（向下）：实心三角形（向左）：空心圆形（带边框）：空心方形（带边框）：空心菱形（带边框）
2025-03-25 10:22:46
183
原创 巨噬细胞-成纤维细胞通过烟酰胺代谢串扰调控胃癌免疫微环境（文献）
免疫检查点阻断导致晚期胃癌的治疗取得突破。然而，胃癌的突出异质性，特别是肿瘤微环境的异质性，突出了抗肿瘤反应是多因素相互作用的反映的观点。通过转录组学分析和动态血浆样本分析，我们确定了肿瘤微环境中的代谢“对峙”机制，烟酰胺代谢的双重预后意义表明了这一点。具体来说，分别表达限速酶烟酰胺磷酸核糖转移酶和烟酰胺 N-甲基转移酶的巨噬细胞和成纤维细胞调节烟酰胺/1-甲基烟酰胺比率和 CD8 T 细胞功能。
2025-03-20 16:12:59
819
原创 三阴性乳腺癌化疗和PD-L1联合阻断的独特细胞机制（文献）
免疫检查点阻断(ICB)与化疗相结合显示了治疗三阴性乳腺癌（TNBC）的前景，尽管其机制仍不完全清楚。在这里，我们整合了已发表的和新的单细胞RNA测序(scRNA-seq)数据，以研究接受紫杉醇(PTX)、纳布-紫杉醇(纳布-PTX)以及它们与抗PD-L1抗体阿替佐单抗(ATZ)联合治疗的三阴性乳腺癌患者的肿瘤免疫微环境(TIME)。与ATZ加PTX相比，ATZ加纳布-PTX重组了TCF7+干细胞样效应记忆CD8+ T细胞(Tsem)和CD4+ T滤泡辅助(Tfh)细胞。
2025-03-19 21:55:23
680
原创 人类妇科恶性肿瘤的多组学单细胞景观（原文附完整代码）
解开驱动癌细胞转录程序的调节机制是理解肿瘤生物学的关键。在此，我们展示了手术切除后立即处理的人类卵巢和子宫内膜肿瘤的单细胞分辨率的匹配转录组(scRNA-seq)和染色质可及性(scATAC-seq)特征。该数据集揭示了这些肿瘤复杂的细胞异质性，并使我们能够定量地将染色质可及性的变化与基因表达联系起来。我们表明，恶性细胞获得以前未注意到的调控元件来驱动标志性的癌症途径。此外，来自相同患者的恶性细胞显示出与转录输出相关的染色质可及性的显著差异，这突出了肿瘤内异质性的重要性。
2025-03-19 21:37:33
24
原创 ②密度图从数据整理到图调整流程（2）
这是另一个数据集的例子，效果更好。群体有非常明显的分布，即使在同一个图表上也很容易发现它们。请注意，最好在分布图旁边添加组名，而不是在图表旁边添加图例。
2025-01-16 10:50:02
43
原创 ②密度图从数据整理到图调整流程（1）
密度图是数值变量分布的表示。比较两个变量的分布是一个常见的挑战，可以通过镜像密度图来解决:两个密度图面对面放置，可以有效地比较它们。下面是如何用ggplot2库来构建。选择需要的列作图，数据需要为dataframe格式。
2025-01-16 10:48:28
296
原创 基于肿瘤微环境评估的信号预测非小细胞肺癌对免疫治疗的反应（基于免疫微环境评分）
源于：①基于肿瘤微环境及免疫检查点基因的非小细胞肺癌疗效评估模型构建及潜在机制探讨。
2025-01-06 17:21:07
1120
1
原创 生物信息学软件开发综述学习
每个主要更新都用于扩展软件的功能，如从 CIRCexplorer 到 CIRCexplorer2 的过渡所示，或者解决早期版本中未解决的独特问题，例如从 CIRCexplorer2 升级到 CIRCexplorer3/CLEAR。值得注意的是，R 语言有一个活跃的社区，该社区不断创建新的 R 包，将其应用程序扩展到各种条件和情况。R 是一种用于数据管理、统计、分析和可视化的编程语言，拥有丰富的生态系统，迄今为止，综合 R 存档网络 （CRAN） 上提供了 20000 多个 R 软件包。
2024-12-31 20:26:11
1067
1
原创 J Transl Med结肠癌分子分型+简单实验
方法从 TCGA 和 GEO 数据库下载大量和单细胞 RNA 测序以及 CRC 的临床数据。HRGs 和 LMRGs 来自分子特征数据库。使用 R 软件包 DESeq2 进行差异表达分析。使用无监督聚类进行分子亚型。使用单变量 Cox 回归、随机森林模型、LASSO 和多变量 Cox 回归分析开发预测特征。最后，使用体外实验验证了肿瘤细胞在缺氧前后对化疗药物的敏感性。结果我们将 575 例 CRC 患者分为 3 种分子亚型，并能够清楚地区分他们的预后。
2024-09-23 19:59:07
1301
原创 肾癌的多模态预测模型-临床-组织学-基因组
整合基因组学和组织学用于癌症预后显示出前景。在这里，我们开发了一个多分类器系统，集成了基于 lncRNA 的分类器、基于深度学习全玻片图像的分类器和临床病理分类器，以准确预测术后局部（I-III 期）状肾细胞癌 （pRCC） 复发。与在训练集和两个验证集中单独使用三个单一分类器相比，多分类器系统对无复发生存期 （RFS） 的预测准确性显著提高 （C 指数 0.831-0.858 vs. 0.642-0.777，p < 0.05）。
2024-09-22 21:39:57
1245
原创 基于图像分析的肿瘤浸润淋巴细胞预测乳腺癌pCR
正在开发基于图像分析的肿瘤浸润淋巴细胞 （TIL） 定量方法，以消除 TILs 评估中阻碍临床采用 TILs 作为乳腺癌和其他癌症类型的预后和化疗反应预测标志物的大量读者间差异1,2,3,4.在黑色素瘤中，基于图像分析的苏木精和伊红 （H&E） 染色切片上的 TIL 评估比病理学家读取的基质 TIL （sTILs） 评分更准确地将患者分为预后队列1.在三阴性乳腺癌 （TNBC） 中，高水平的 TILs 浸润也与更好的生存率和对新辅助（即术前）化疗的病理完全缓解 （pCR） 增加有关5678910。
2024-09-02 15:39:11
1025
原创 胃癌TMEscore的前瞻性临床研究（TME）
综合评估了1524例胃癌患者的TME浸润模式，并使用两种提出的计算算法系统地将TME表型与胃癌的基因组特征和临床病理特征相关联。定义了三种TME表型，并使用主成分分析算法构建TMEscore。高TMEscore亚型的特征在于对病毒和IFNγ的免疫激活和应答。在低TMEscore亚型中观察到转化生长因子β、上皮-间质转化和血管生成途径的激活，这被认为是T细胞抑制性的，可能是胃癌预后显著恶化的原因[危险比(HR)，0.42；95%可信区间(CI)，0.33-0.54；P < 0.001]。
2024-08-28 15:02:08
1415
原创 泛癌单细胞解剖揭示表型不同的B细胞亚型
癌症免疫疗法的成功激发了对整体肿瘤生态系统的深入探索，尤其是肿瘤微环境 （TME） 的免疫方面。1肿瘤浸润 T 细胞和髓系细胞的功能状态和异质性的综合图表2,3启发了多种新颖的治疗策略。尽管如此，只有一些患者实现了持久的反应，而且不同癌症类型之间的反应率差距很大。4在泛癌水平上全面了解 TME 是充分释放人类癌症免疫监测潜力的必要条件。B 细胞作为免疫系统的核心组成部分，在免疫中发挥着重要作用，5,6但它们受到的关注不成比例地减少，因为肿瘤浸润 B 细胞 （TIBs） 的组成和功能异质性没有得到系统检查。
2024-08-26 09:35:19
1412
原创 Regulatory mechanisms of PD-1/PD-L1 in cancers（综述）
免疫逃避有助于癌症的生长和进展。癌细胞具有激活具有不同免疫抑制功能的不同免疫检查点通路的能力。程序性死亡蛋白 1 （PD-1） 和程序性细胞死亡配体 （PD-Ls） 被认为是主要的免疫检查点分子。PD-1 和 PD-L1 的相互作用主要通过抑制效应 T 细胞的活性来负调控适应性免疫反应，同时增强免疫抑制调节性 T 细胞 （Tregs） 的功能，这在很大程度上有助于维持免疫稳态，从而防止免疫失调和有害的免疫反应。然而，癌细胞利用 PD-1/PD-L1 轴在癌症发展和进展中引起免疫逃逸。
2024-08-22 14:21:14
1090
1
原创 Seurat V5标准分析流程（自备合集）
2015年，一款开创性的单细胞分析工具Seurat首次亮相，从这以后单细胞分析得到了广泛普及，不久前Seurat重磅推出了V5版本。今天给大家分享Seurat V5的标准分析流程。函数，可以实现一行代码去批次，当前支持以下几种主流的单细胞去批次，其中包含了我们上面用到的harmony。注意去批次前可能需要分层。用Seurat V5中新增的。
2024-08-18 14:33:04
1095
原创 Integrative analysis in Seurat v5
综合分析可以帮助匹配数据集之间的共享细胞类型和状态，这可以提高统计能力，最重要的是，有助于跨数据集进行准确的比较分析。在Seurat的早期版本中，我们引入了整合分析的方法，包括我们的“基于锚点”的整合工作流。我们认识到，虽然在许多问题上匹配数据集之间的共享细胞类型的目标可能很重要，但用户也可能会关心使用哪种方法，或者集成可能会导致生物学分辨率的损失。在这篇短文中，我们使用了一个人类PBMC的数据集，该数据集采用了七种不同的技术，作为系统比较分析(pbmcsca)的一部分。
2024-08-18 01:28:37
548
原创 seurat v5更新及样本整合方法
1 Seurat 对象和 Assay 类发生了变化:支持更多种类的检测和数据类型，包括磁盘上的矩阵。引入了分层结构来存储数据，例如原始计数、标准化数据和 z 得分/方差稳定数据。可以使用 $ 访问器或 LayerData 函数来访问数据。现有的 Seurat v4 函数和工作流程仍可在 v5 中使用。2 整合工作流程发生了变化:简化了整合流程，提高了速度和内存效率。整合结果与 v4 工作流程略有不同，但用户仍可在 v5 中运行 v4 整合工作流程。
2024-08-12 00:35:23
1794
1
原创 Seurat5与Seurat4结构学习
当需要根据细胞的属性和类型对细胞进行筛选的时候，经常会用到meta.data。..@ meta.data :'data.frame': 2700 obs. of 3 variables:（注释数据）V5版本确实更精简了，但却并没有把10X格式的三个文件合并起来，而是分开存放在layyers、cells和features里面了。LogMap结构，所以不能直接使用@查看，但我们可以使用rownames()查看我们需要的信息。虽然也是稀疏矩阵，但是和V4不一样的是，没有基因名，而仅仅是基因表达信息。
2024-08-10 16:06:01
1794
原创 单细胞Seurat的umi矩阵-与feature、counts（用于质控）
10X数据因为有UMI，不需要考虑基因长度的影响，但仍然需要考虑测序深度在不同细胞之间的差异，所以需要用函数LogNormalize进行处理，具体方法是用该基因的UMI/该细胞的全部UMI，再乘以10000，在按列LogNormalize后，又可以按行进行scale，以去除极大值极小值基因对数据的影响。这可能是损伤/死亡的细胞，其细胞质的mRNA已经通过破裂的膜泄漏出来，因此，只有位于线粒体的mRNA仍然是保守的。质量差的细胞很可能每个细胞的基因和UMI都很低，并且与图左下象限的数据点相对应。
2024-08-05 01:29:58
1246
原创 ③分析胃癌组蛋白脱乙酰酶HDS模型-SeuratHDS细胞比例
单细胞转录组测序分析步骤：用 CellRanger 识别细胞后构建 Seurat 矩阵，根据之前的研究过滤低质量细胞，最后获得数据进行聚类分析。首先，选取方差最大的前 2000 个基因进行数据归一化，使用主成分分析（PCA）将数据维度降低到 50 个主成分，并使用harmony去除样本的批次效应。通过 tSNE 聚类分析，共确定了 9 个聚类（B 细胞、CD4+ T 细胞、CD8+ T 细胞、NK 细胞、肥大细胞、内皮细胞、成纤维细胞、骨髓细胞和浆细胞）。然后，提取每个细胞群的基因表达矩阵，以确定亚群。
2024-08-03 16:11:00
171
1
原创 单细胞天地复现-胃癌器官特异性转移的转录异质性（自备）
方法使用单细胞 RNA 测序评估了来自 6 名患者的 10 份新鲜人体组织样本，包括原发性肿瘤和邻近的非肿瘤样本以及来自不同器官或组织（肝脏、腹膜、卵巢、淋巴结）的 6 个转移灶。使用组织学测定和大量转录组数据集进行验证实验。结果发现与侵袭特征、腹膜内转移倾向、上皮-间充质转化诱导的肿瘤干细胞表型或休眠样特征相关的恶性上皮亚簇。在包含 407 个样本的 GC 队列中，前三个亚簇相关基因的高表达比低表达基因的总生存率更差。免疫细胞和基质细胞表现出细胞异质性，并创造了促肿瘤和免疫抑制微环境。
2024-08-02 07:44:27
510
2
原创 Seurat-SCTransform与harmony整合学习续（亚群分析）
也就是说，两个样品的髓系淋巴细胞有样品特异性，但是我们的harmony整合可以让两个样品cd16单核在UMAP的二维可视化图靠近，以及两个样品的一小撮cd14单核在UMAP的二维可视化图靠近，但是很明显，STIM组里面的cd14单核还是有3个顽强的独立的亚群，是它比较特有的。，可能是因为它是针对完整的单细胞表达量矩阵设计的？或者说应该是在具体的每个样品内部跑SCTransform后然后再多个样品合并？左侧仅仅SCTransform标准化；右侧SCTransform+harmony去批次。
2024-08-01 20:00:27
1134
原创 Seurat-SCTransform与harmony整合学习
源于R tips：Seurat之SCTransform方法原理 (qq.com)Seurat对象在经过SCTransform处理后会增加一个SCT的Assay，里面的scaled.data就是经过scale之后的pearson residual值，这个值是用于后续降维聚类分析使用的。
2024-07-31 22:44:35
1364
原创 单细胞运行SCTransform；Error in .GetSeuratCompat()
出现报错：包：other attached packages:[1]
2024-07-31 21:45:49
1414
3
原创 单细胞Seurat-SCTransform标准化（并不能去批次）
我们已经知道SCTranform的实际Normalize过程是调用的sctransform::vst函数，第一步拟合的代码在下面，可以发现实际代码是get_model_pars函数，get_model_pars中可以看到这里有多种拟合method可以选择，默认是possion，原因也是上述所说的，一个是运行速度的考虑，另外是由于第二步还要进行正则化，possion和负二项的拟合结果的最终差异不太大。然后再按照Counts的传统，对它进行log处理即可（变为常规的线性可加的数据）。
2024-07-31 01:22:04
2151
原创 单细胞数据整合-去除批次效应harmony和CCA (学习)
在单细胞RNA测序(scRNA-seq)数据分析中，去除批次效应是至关重要的步骤，因为技术噪声和批次效应可能掩盖真正的生物学差异。批次效应来源于实验过程中的多种因素，如不同的实验批次、实验人员、仪器或实验条件的变化等。这些效应可能导致数据不一致性、增加噪声、降低实验的灵敏度和准确性，以及降低可重复性。scRNA-seq实验成本的降低鼓励建立大型项目，如人类细胞图谱，这些项目对数千至数百万个细胞的转录组进行分析。对于如此大规模的研究，物流限制不可避免地要求数据单独生成，即在不同的时间和不同的操作员生成。
2024-07-31 00:31:30
5282
原创 单细胞不同数据形式读入及创建Seura汇总（自备）
单细胞上游分析 - 生物信息云 (bioinfocloud.github.io)单细胞 RNA 测序（Single cell RNA sequencing，scRNA-seq）是一种在单细胞水平上利用 RNA 测序对特定细胞群体进行基因表达谱定量的高通量实验技术。待测组织经过单细胞分离、RNA 提取、逆转录、文库构建和测序，便可利用数据分析获得多个细胞的基因表达谱。10×genomics技术首先在凝胶微珠上种上特定的DNA片段，DNA片段由三部分组成：Barcode、UMI、PolyT组成。
2024-07-24 07:44:06
717
2
Glycosyltransferase-related prognostic and diagnostic biomarkers
2023-11-19
Table S1. Feature Matrix of TIL Map Characteristics and Related
2023-11-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人