你还缺scRNA-seq的workflow吗（二）？

主要观点总结

本文介绍了scRNA-seq工作流的后续学习，包括添加元数据、计算标记基因、标记基因通路富集和导出数据集等步骤。文章详细描述了数据处理过程，包括添加元数据、设定参数、计算关系树、进行CerebroApp步骤等，并展示了R语言的代码实现。此外，文章还展示了如何根据细胞类型和聚类结果进行基因表达量的可视化，以及基因集富集分析（GSEA）的结果。

关键观点总结

关键观点1: 添加元数据与设定参数

在R中加载数据，并设置实验参数，包括实验名称、生物体信息、分析日期、基因命名等。

关键观点2: 计算关系树

根据样本、聚类和细胞类型计算关系树，添加到Seurat对象的 @misc 槽中。

关键观点3: CerebroApp步骤

计算线粒体和核糖体转录本的百分比，得到最多表达的基因和标记基因，使用富集过的通路进行测试，并进行基因集富集分析。

关键观点4: 基因表达量可视化

展示了如何根据细胞类型和聚类结果进行基因表达量的可视化，包括单基因的小提琴图和多基因点图。

关键观点5: GSEA富集分析

介绍了GSEA富集分析的过程，包括使用GSVA函数进行富集分析，并展示了结果。

免责声明