单细胞数据库汇总

随着单细胞技术发展,相关数据库不断涌现。文中介绍了CellMarker、Mouse Cell Atlas、PanglaoDB等多个数据库,涵盖人鼠单细胞、癌症单细胞等数据,还提及一些其他数据库,但认为部分价值不大。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

单细胞技术在飞速发展,随着数据的积累,对应的数据库也相应出现。

 

CellMarker - 总结了目前的celltype对应的marker,同时给出了数据的文献链接。

Mouse Cell Atlas - 2017年Nature文章,相当于把整个小鼠都测了,得到了一大堆的10x数据,郭国冀。

PanglaoDB - 人鼠单细胞数据库,比较全面。 Database,2019

signatureDB - B cell数据库

CancerSEA - 癌症单细胞。Nucleic Acids Research,2019

 

其他的:

google一下一大堆

其实价值都不大

 

Single Cell Portal - Broad Institute

Single Cell Expression Atlas - EMBL-EBI

CancerSEA: a cancer single-cell state atlas


A web server for comparative analysis of single-cell RNA-seq data
SCPortalen: Single-cell centric database
Single Cell RNA-seq Gene Expression Data


 

转载于:https://www.cnblogs.com/leezx/p/10886800.html

### 单细胞测序分析中的细胞类型比例检测 在单细胞RNA测序(scRNA-seq)数据处理过程中,识别和量化不同类型的细胞是一个重要环节。为了实现这一目标,多种生物信息学工具被开发出来用于分类并估计样本中各种细胞类型的相对丰度。 Seurat是一款强大的R包,在这方面得到了广泛应用。它不仅能够执行标准的数据预处理操作如质量控制、标准化以及降维等,还提供了专门的功能来推断细胞身份。通过标记基因表达模式匹配已知的细胞特征矩阵,可以有效地将每个单元格分配给特定类别,并统计各类别的数量从而得出所占百分比[^1]。 另一个值得注意的是CellTypist,这是一种基于机器学习模型的方法,专为快速而精准地预测scRNA-seq数据集内的细胞种类设计。该程序内置了一个大型的人类和小鼠参考图谱,允许用户上传自己的实验结果文件后立即获得详细的组成报告,其中包括每种发现的细胞亚群的具体数目及其占比情况说明。 对于那些希望构建自定义工作流的研究人员来说,Scanpy也是一个不错的选择。作为一个Python库,它可以轻松集成到现有的计算环境中去。除了常规的任务外,Scanpy也支持利用先前发表过的数据库作为参照来进行无监督聚类后的注释过程,进而帮助确定各个簇代表的实际生物学意义即具体的细胞群体,并汇总成易于理解的比例图表形式展示出来。 ```python import scanpy as sc adata = sc.read('path_to_your_data.h5ad') # 假设已经完成了预处理步骤... sc.tl.leiden(adata) sc.pl.umap(adata, color='leiden', legend_loc='on data') # 可视化聚类结果 cell_type_proportions = adata.obs['leiden'].value_counts(normalize=True)*100 print(cell_type_proportions) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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