watermel__的博客

https://zhuanlan.zhihu.com/p/436711174

Genotype Data基因型数据

R语言：将两种及两种以上组学数据转.h5文件转换方式。

使用satijalab开发的loomR读取loom文件，具体详见https://satijalab.org/loomr/loomr_tutorial。

今天在HPC上跑一个benchmark的方法，这个方法是利用conda env create -f environment.yml创建虚拟环境，然后我想在这个环境里面安装R环境conda install r,但是报错：Found conflicts!

【代码】R语言：多个向量合并。

创建好的.h5文件结构如下，和10X提供的.h5文件结构是一样的。

9.发现只有这种信息，先不要急，先点进去(grch37版本的gtf在官网上没给链接，需要我们自己找网址的规律)1.先去ENSEMBL官网：http://asia.ensembl.org/index.html，点击红框框。6.去下载GRCh37版本，回到首页点击红框框。10.找到37网址和38网址的区别。5.跳转到想要的版本地址，成功。3.没有我们想要的版本了。......

今天解决了个大问题！这样处理之后，一切问题迎刃而解，啥毛病都没有了，正常读取，非常快速！根据这段代码，我锁定了有问题的文件：genes.tsv。我灵机一动，那就换一种读法！

代码】R语言按照指定的顺序对dataframe进行排序。

有的时候数据会以.RDS的格式被提供，这个时候就只能用R语言读取文件。如果遇到超大数据怎么把数据存储出来呢？可以发现这个数据特征数非常多，我要获取归一化以后的data矩阵。代码如下：save_npz_.py文件里面的内容：...

file里面是基因以及对应的功能，要计算两两基因间的功能相似度，普通for循环太慢了，故用foreach并行操作：library(GOSemSim)library(data.table)library(org.Mm.eg.db)library(foreach)library(doParallel)getDoParWorkers( ) #查看注册了多少个核，配合doMC package中的registerDoMC( )使用getDoParRegistered( ) # 查看doPar是否

https://github.com/ventolab/CellphoneDBCellPhoneDB是一个公开的受体、配体及其在人类中相互作用的资料库。配体和受体的亚单位结构都包括在内，准确地代表了异体复合物。这一点至关重要，因为细胞与细胞之间的交流依赖于多亚单位的蛋白质复合物，这超出了大多数数据库和研究中使用的二进制表示。CellPhoneDB整合了现有的与细胞通讯有关的数据集和新的人工审查信息。CellPhoneDB获取信息的数据库有。UniProt, Ensembl, PDB, the IMEx c

1.在对应的细胞簇中，差异表达基因排名靠前的基因。2.基因具有很强的表达特异性，也就是在对应细胞簇中基因表达率高，而在其他簇中表达率低。3.有文献支持的基因，它要么是一个标记基因，要么是与细胞类型相关的功能基因。Liu Y, He S, Wang X L, et al. Tumour heterogeneity and intercellular networks of nasopharyngeal carcinoma at single cell resolution[J]. Nature comm

bin:可以理解为参考基因组上的某段区间，用于将整条染色体切割成不同的区间，然后统计每个区间的数据信息。通常表示为染色体号，起始点，结束点。通常可以认为是窗口的意思。举例：Seurat中AddModuleScore()函数的详细解释是：将我们感兴趣的基因，抽出来，每个细胞算一下这些基因表达的平均值，背景基因的平均值就是找每个基因所在的bin,在该bin内随机抽取ctrl个基因作为背景，最后将得到的目标基因的平均值，背景基因的平均值两者相减就是每个细胞此基因集对应的score值。...

GO和KEGG是基于不同的分类思想而储存的基因相关功能的数据库,富集分析就是一个把这些功能进行进行整合计算的算法，GO富集，就是研究基因的本质的，从三个层面，分别描述基因的分子功能（molecular function）、细胞组分（cellular component）、参与的生物过程（biological process）。如一个基因，她的MF可能是具有催化活性，她的细胞组分，也就是其在细胞中定位为细胞膜，参与的生物过程为蛋白质运输过程，这就是这个基因按照三种不同的分类方式进行的定义。KEGG和GO的区

FindVariableFeatures()–特征选择:高变异基因就是highly variable features（HVGs），就是在细胞与细胞间进行比较，选择表达量差别最大的基因，Seurat使用FindVariableFeatures函数鉴定高可变基因，这些基因在PBMC不同细胞之间的表达量差异很大（在一些细胞中高表达，在另一些细胞中低表达）。默认情况下，会返回2,000个高可变基因用于下游的分析，如PCA等。利用FindVariableFeatures函数，会计算一个mean-variance

https://zhuanlan.zhihu.com/p/29957294

sudo apt-get install h5utilsh5dump -o anndata_demo.csv -y -w 4000 anndata_demo_h5.h5之后用pandas处理.csv文件即可