利用scanpy進(jìn)行單細(xì)胞測(cè)序分析（一）預(yù)處理和聚類

scanpy軟件官網(wǎng)：https://scanpy-tutorials.readthedocs.io/en/latest/pbmc3k.html

這個(gè)軟件的官網(wǎng)分了幾個(gè)部分進(jìn)行介紹，每一個(gè)部分的練習(xí)數(shù)據(jù)都不一樣，這一部分的練習(xí)數(shù)據(jù)下載地址：http://cf.10xgenomics.com/samples/cell-exp/1.1.0/pbmc3k/pbmc3k_filtered_gene_bc_matrices.tar.gz

首先下載數(shù)據(jù)：

$ wget http://cf.10xgenomics.com/samples/cell-exp/1.1.0/pbmc3k/pbmc3k_filtered_gene_bc_matrices.tar.gz
$ tar -xzf pbmc3k_filtered_gene_bc_matrices.tar.gz

然后安裝scanpy：

$ pip install scanpy

進(jìn)入python調(diào)用潜慎，調(diào)用不出錯(cuò)就是安裝好了：

>>> import scanpy as sc

如果調(diào)用的時(shí)候報(bào)錯(cuò)谦絮，告訴你缺少什么tqdm.auto之類的，你可以這樣：

#退出python，輸入下面的代碼：
$ pip uninstall tqdm  #先卸載
$ pip install tqdm　#再安裝

準(zhǔn)備數(shù)據(jù)

#示例數(shù)據(jù)來(lái)自健康人的３千個(gè)PBMC細(xì)胞，測(cè)序平臺(tái)是10x Genomics
#調(diào)用軟件
>>> import numpy as np 
>>> import pandas as pd 
>>> import scanpy as sc
#先設(shè)置一個(gè)h5ad的文件，這個(gè)文件用來(lái)保存我們一會(huì)兒分析的結(jié)果
>>> results_file = './write/pbmc3k.h5ad'
#讀取數(shù)據(jù)
>>> adata = sc.read_10x_mtx(
    './filtered_gene_bc_matrices/hg19/',  
    var_names='gene_symbols',                  
    cache=True)
>>> adata.var_names_make_unique() #如果你上一步用的是`var_names='gene_ids'憔辫，你就不用做這一步
#看一下adata
>>> adata
AnnData object with n_obs × n_vars = 2700 × 32738 
    var: 'gene_ids'

說(shuō)明數(shù)據(jù)里有2700個(gè)細(xì)胞，32738個(gè)基因仿荆。

數(shù)據(jù)預(yù)處理

#看一下top20基因的表達(dá)情況
>>> sc.pl.highest_expr_genes(adata,n_top=20)

占所有的count里比例最高的２０個(gè)基因

#過(guò)濾基因和細(xì)胞
>>> sc.pp.filter_cells(adata, min_genes=200)
>>> sc.pp.filter_genes(adata, min_cells=3)
>>> adata
AnnData object with n_obs × n_vars = 2700 × 13714 
    obs: 'n_genes'
    var: 'gene_ids', 'n_cells'
#過(guò)濾完基因少了很多

#找出線粒體基因
>>> mito_genes = adata.var_names.str.startswith('MT-')
>>> adata.obs['percent_mito'] = np.sum(
    adata[:, mito_genes].X, axis=1).A1 / np.sum(adata.X, axis=1).A1
#計(jì)算每個(gè)細(xì)胞的總count數(shù)
>>> adata.obs['n_counts'] = adata.X.sum(axis=1).A1
#用小提琴圖將質(zhì)量信息可視化
>>> sc.pl.violin(adata, ['n_genes', 'n_counts', 'percent_mito'],
             jitter=0.4, multi_panel=True)

還可以換一種方式可視化：

>>> sc.pl.scatter(adata, x='n_counts', y='percent_mito')
>>> sc.pl.scatter(adata, x='n_counts', y='n_genes')

下面這張圖就是線粒體的含量贰您，整體還是不錯(cuò)的，沒(méi)有特別大的異常值：

下圖是細(xì)胞和基因的關(guān)系拢操，一般是線性關(guān)系锦亦，斜率越大越好，說(shuō)明我們可以用較少的細(xì)胞測(cè)到較多的基因：

下面進(jìn)行進(jìn)一步的過(guò)濾：

>>> adata = adata[adata.obs.n_genes < 2500, :]
>>> adata = adata[adata.obs.percent_mito < 0.05, :]
>>> adata
View of AnnData object with n_obs × n_vars = 2638 × 13714 
    obs: 'n_genes', 'percent_mito', 'n_counts'
    var: 'gene_ids', 'n_cells'

上面的AnnData對(duì)象有點(diǎn)像三大R包的對(duì)象令境，長(zhǎng)這個(gè)樣子：

具體的看一下對(duì)象里都有什么：

>>> adata.obs #每一個(gè)barcode對(duì)應(yīng)的基因數(shù)杠园，線粒體基因比例，檢測(cè)到的count數(shù)
                  n_genes  percent_mito  n_counts
AAACATACAACCAC-1      781      0.030178    2419.0
AAACATTGAGCTAC-1     1352      0.037936    4903.0
AAACATTGATCAGC-1     1131      0.008897    3147.0
AAACCGTGCTTCCG-1      960      0.017431    2639.0
AAACCGTGTATGCG-1      522      0.012245     980.0
...                   ...           ...       ...
TTTCGAACTCTCAT-1     1155      0.021104    3459.0
TTTCTACTGAGGCA-1     1227      0.009294    3443.0
TTTCTACTTCCTCG-1      622      0.021971    1684.0
TTTGCATGAGAGGC-1      454      0.020548    1022.0
TTTGCATGCCTCAC-1      724      0.008065    1984.0

[2638 rows x 3 columns]
>>> adata.var  #每一個(gè)基因在多少個(gè)細(xì)胞里表達(dá)
                      gene_ids  n_cells
AL627309.1     ENSG00000237683        9
AP006222.2     ENSG00000228463        3
RP11-206L10.2  ENSG00000228327        5
RP11-206L10.9  ENSG00000237491        3
LINC00115      ENSG00000225880       18
...                        ...      ...
AC145212.1     ENSG00000215750       16
AL592183.1     ENSG00000220023      323
AL354822.1     ENSG00000215615        8
PNRC2-1        ENSG00000215700      110
SRSF10-1       ENSG00000215699       69

[13714 rows x 2 columns]

關(guān)于AnnData對(duì)象的更多具體細(xì)節(jié)請(qǐng)看：單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)分析|| scanpy教程：預(yù)處理與聚類

數(shù)據(jù)標(biāo)準(zhǔn)化：

#標(biāo)準(zhǔn)化
>>> sc.pp.normalize_total(adata, target_sum=1e4)
#log標(biāo)準(zhǔn)化后的值
>>> sc.pp.log1p(adata)
#將標(biāo)準(zhǔn)化后的數(shù)值存為.raw屬性舔庶，方便后續(xù)分析
>>> adata.raw = adata

鑒定高變基因：

#鑒定高變基因：
>>> sc.pp.highly_variable_genes(adata, min_mean=0.0125, max_mean=3, min_disp=0.5)
#可視化高變基因
>>> sc.pl.highly_variable_genes(adata)

上圖黑色的點(diǎn)是高變基因抛蚁，其他基因是灰色點(diǎn)。

#只留下高變基因進(jìn)行后續(xù)分析
>>> adata = adata[:, adata.var.highly_variable]
>>> adata
View of AnnData object with n_obs × n_vars = 2638 × 1838 
    obs: 'n_genes', 'percent_mito', 'n_counts'
    var: 'gene_ids', 'n_cells', 'highly_variable', 'means', 'dispersions', 'dispersions_norm'
    uns: 'log1p'

#回歸每個(gè)細(xì)胞的總計(jì)數(shù)和線粒體基因表達(dá)百分比的影響惕橙，將數(shù)據(jù)縮放到單位方差瞧甩。
>>> sc.pp.regress_out(adata, ['n_counts', 'percent_mito'])
#scale數(shù)據(jù)
>>> sc.pp.scale(adata, max_value=10)

降維

PCA降維：

#PCA降維
>>> sc.tl.pca(adata, svd_solver='arpack')
#PCA可視化
>>> sc.pl.pca(adata, color='CST3')

也可以用碎石圖來(lái)決定用多少個(gè)PC來(lái)進(jìn)行臨近細(xì)胞的計(jì)算：

sc.pl.pca_variance_ratio(adata, log=True)

保存結(jié)果：

>>> adata.write(results_file)
>>> adata
AnnData object with n_obs × n_vars = 2638 × 1838 
    obs: 'n_genes', 'percent_mito', 'n_counts'
    var: 'gene_ids', 'n_cells', 'highly_variable', 'means', 'dispersions', 'dispersions_norm'
    uns: 'log1p', 'pca'
    obsm: 'X_pca'
    varm: 'PCs'

聚類

聚類前先計(jì)算neighborhood graph，先用默認(rèn)值來(lái)計(jì)算一下：

>>> sc.pp.neighbors(adata, n_neighbors=10, n_pcs=40)

將neighborhood graph嵌入：

>>> sc.tl.umap(adata)
>>> sc.pl.umap(adata, color=['CST3', 'NKG7', 'PPBP'])

如果我將上面的n_pcs=40換成n_pcs=8弥鹦，（這個(gè)值根據(jù)上面的碎石圖來(lái)肚逸，選拐點(diǎn)的數(shù)字）圖就不一樣了：

#neighborhood graph聚類
>>> sc.tl.leiden(adata)
>>> sc.pl.umap(adata, color=['leiden', 'CST3', 'NKG7'])
>>> adata.write("umap.h5ad")
>>> adata
AnnData object with n_obs × n_vars = 2638 × 1838 
    obs: 'n_genes', 'percent_mito', 'n_counts', 'leiden'
    var: 'gene_ids', 'n_cells', 'highly_variable', 'means', 'dispersions', 'dispersions_norm'
    uns: 'log1p', 'pca', 'neighbors', 'umap', 'leiden', 'leiden_colors'
    obsm: 'X_pca', 'X_umap'
    varm: 'PCs'

尋找Marker基因

給每一個(gè)cluster計(jì)算top差異基因：
（１）你可以使用t-test方法計(jì)算：

>>> sc.tl.rank_genes_groups(adata, 'leiden', method='t-test')
>>> sc.pl.rank_genes_groups(adata, n_genes=25, sharey=False,fontsize=5)
>>> sc.settings.verbosity = 2  # reduce the verbosity

（２）你也可以用另一種方法來(lái)計(jì)算（推薦）:

>>> sc.tl.rank_genes_groups(adata, 'leiden', method='wilcoxon')
>>> sc.pl.rank_genes_groups(adata, n_genes=25, sharey=False,fontsize=5)

然后可以看一下隨便哪個(gè)cluster里的差異基因：

>>> sc.get.rank_genes_groups_df(adata, group="0")
       scores     names  logfoldchanges          pvals      pvals_adj
0   32.783016    S100A9        7.394584  1.028132e-235  8.518724e-232
1   32.777248       LYZ        6.225223  1.242340e-235  8.518724e-232
2   32.260483    S100A8        7.533852  2.508019e-228  1.146499e-224
3   30.617512    TYROBP        5.391633  7.157181e-206  2.453839e-202
4   29.973402      FCN1        5.507009  2.180708e-197  5.981246e-194
..        ...       ...             ...            ...            ...
95  12.487227      LY86        2.596598   8.765488e-36   7.285449e-34
96  12.318965  C20orf24        1.944652   7.160747e-35   5.676444e-33
97  12.233775     CNPY3        2.075463   2.051759e-34   1.617116e-32
98  12.183536     TCEB2        1.488625   3.804261e-34   2.981236e-32
99  12.136163     ASGR1        5.176166   6.793834e-34   5.293786e-32

[100 rows x 5 columns]

查看所有cluster里的top10基因：

>>> pd.DataFrame(adata.uns['rank_genes_groups']['names']).head(10)
        0         1       2      3       4      5  ...       7      8       9      10        11     12
0  S100A9      CD74    LDHB  RPL32   RPS12   CCL5  ...    LST1   IL32    NKG7    NKG7  HLA-DPA1    PF4
1     LYZ     CD79A     LTB  RPS12    RPS6   GZMK  ...  FCER1G   CD3D    GNLY    CCL5  HLA-DPB1  GNG11
2  S100A8   HLA-DRA    CD3D   RPS6   RPL13   NKG7  ...   COTL1   LDHB    GZMB    GZMH  HLA-DRB1   SDPR
3  TYROBP     CD79B    IL32  RPS27   RPS3A   IL32  ...    AIF1    LTB    CTSW    CST7   HLA-DRA   PPBP
4    FCN1  HLA-DPB1  TMEM66   RPS3    RPL3   GZMA  ...    FTH1   CD3E    PRF1     B2M      CD74   NRGN
5     FTL     MS4A1    IL7R  RPS14    RPS3   CTSW  ...  IFITM3    B2M    CST7   HLA-C      CST3  SPARC
6    CST3  HLA-DQA1    JUNB  RPL13   RPL32    B2M  ...    SAT1   RPS3    GZMA   HLA-A  HLA-DRB5   GPX1
7  LGALS2  HLA-DRB1    TPT1  RPL21   RPS14   CST7  ...     FTL  RPS27   HLA-C    GZMA  HLA-DQA1   TPM4
8  S100A6  HLA-DQB1  GIMAP7  RPS25   RPS18  HLA-C  ...    PSAP  RPS25  FGFBP2    CD3D  HLA-DQB1  RGS18
9    FTH1      CD37    CD3E  RPL31  EEF1A1   LYAR  ...    CTSS  HLA-A     B2M  FGFBP2    FCER1A  CALM3

將top10基因和它們的pval同時(shí)展示：

>>> result = adata.uns['rank_genes_groups']
>>> groups = result['names'].dtype.names
>>> pd.DataFrame(
...     {group + '_' + key[:1]: result[key][group]
...     for group in groups for key in ['names', 'pvals']}).head(10)
      0_n            0_p       1_n            1_p  ...      11_n          11_p   12_n          12_p
0  S100A9  1.028132e-235      CD74  3.599677e-184  ...  HLA-DPA1  1.097649e-19    PF4  4.722886e-10
1     LYZ  1.242340e-235     CD79A  4.507668e-171  ...  HLA-DPB1  7.563026e-19  GNG11  4.733899e-10
2  S100A8  2.508019e-228   HLA-DRA  5.186291e-168  ...  HLA-DRB1  2.189338e-18   SDPR  4.733899e-10
3  TYROBP  7.157181e-206     CD79B  5.747138e-156  ...   HLA-DRA  6.262321e-18   PPBP  4.744938e-10
4    FCN1  2.180708e-197  HLA-DPB1  1.257935e-147  ...      CD74  2.286726e-17   NRGN  4.800511e-10
5     FTL  7.485109e-192     MS4A1  1.334052e-140  ...      CST3  2.883852e-17  SPARC  4.947990e-10
6    CST3  5.932796e-191  HLA-DQA1  3.534036e-140  ...  HLA-DRB5  6.818970e-17   GPX1  4.947990e-10
7  LGALS2  9.551453e-189  HLA-DRB1  1.510260e-130  ...  HLA-DQA1  1.022928e-16   TPM4  5.159513e-10
8  S100A6  3.253730e-188  HLA-DQB1  6.020741e-130  ...  HLA-DQB1  5.566163e-16  RGS18  5.195614e-10
9    FTH1  4.782225e-180      CD37  6.463741e-130  ...    FCER1A  1.482060e-15  CALM3  6.197000e-10

[10 rows x 26 columns]

你還可以單獨(dú)比較某兩個(gè)cluster的差異基因：

#比如cluster 0和1：
>>> sc.tl.rank_genes_groups(adata, 'leiden', groups=['0'], reference='1', method='wilcoxon')
>>> sc.pl.rank_genes_groups(adata, groups=['0'], n_genes=20)

再看一下小提琴圖：

>>> sc.pl.rank_genes_groups_violin(adata, groups=['0'], n_genes=20)

重新load數(shù)據(jù)，可以看cluster 0和其他的cluster的比較：

>>> adata=sc.read("./write/pbmc3k.h5ad")
>>> sc.pl.rank_genes_groups_violin(adata, groups='0', n_genes=20)

比較所有cluster里某些特定的基因:

>>> sc.pl.violin(adata, ['CST3', 'NKG7', 'PPBP'], groupby='leiden')

NOTE:下一步將細(xì)胞名稱先存成一個(gè)列表(這一步官網(wǎng)的cluster數(shù)量和我的不一樣，所以就先不做)朦促，把聚類的細(xì)胞注釋：

#你有多少個(gè)cluster就要輸入多少個(gè)名稱
>>> new_cluster_names = [
    'CD4 T', 'CD14 Monocytes',
    'B', 'CD8 T',
    'NK', 'FCGR3A Monocytes',
    'Dendritic', 'Megakaryocytes']
>>> adata.rename_categories('leiden', new_cluster_names)
>>> sc.pl.umap(adata, color='leiden', legend_loc='on data', title='', frameon=False, save='.pdf')

可視化每一個(gè)cluster的marker基因：

>>> marker_genes = ['IL7R', 'CD79A', 'MS4A1', 'CD8A', 'CD8B', 'LYZ', 'CD14',
                'LGALS3', 'S100A8', 'GNLY', 'NKG7', 'KLRB1',
                'FCGR3A', 'MS4A7', 'FCER1A', 'CST3', 'PPBP']
>>> ax = sc.pl.dotplot(adata, marker_genes, groupby='leiden')

上面是點(diǎn)圖犬钢，再畫個(gè)小提琴圖看一下：

>>> ax = sc.pl.stacked_violin(adata, marker_genes, groupby='leiden', rotation=90)

這一部分就告一段落，主要是簡(jiǎn)單的介紹一下scanpy的數(shù)據(jù)預(yù)處理和聚類思灰。我們可以回顧一下adata這個(gè)對(duì)象里現(xiàn)在都存了哪些內(nèi)容：

>>> adata
AnnData object with n_obs × n_vars = 2638 × 1838 
    obs: 'n_genes', 'percent_mito', 'n_counts', 'leiden'
    var: 'gene_ids', 'n_cells', 'highly_variable', 'means', 'dispersions', 'dispersions_norm'
    uns: 'leiden', 'leiden_colors', 'neighbors', 'pca', 'rank_genes_groups', 'umap'
    obsm: 'X_pca', 'X_umap'
    varm: 'PCs'

如果想保存adata對(duì)象里某一些內(nèi)容，存成csv格式：

# Export single fields of the annotation of observations
>>> adata.obs[['n_counts', 'louvain_groups']].to_csv(
     './write/pbmc3k_corrected_louvain_groups.csv')
# Export single columns of the multidimensional annotation
>>> adata.obsm.to_df()[['X_pca1', 'X_pca2']].to_csv(
     './write/pbmc3k_corrected_X_pca.csv')
# Or export everything except the data using `.write_csvs`.
# Set `skip_data=False` if you also want to export the data.
>>> adata.write_csvs(results_file[:-5], )

最后編輯于：2020.08.09 04:41:16

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者

禁止轉(zhuǎn)載混滔，如需轉(zhuǎn)載請(qǐng)通過(guò)簡(jiǎn)信或評(píng)論聯(lián)系作者洒疚。

人面猴
序言：七十年代末，一起剝皮案震驚了整個(gè)濱河市坯屿，隨后出現(xiàn)的幾起案子油湖，更是在濱河造成了極大的恐慌，老刑警劉巖领跛，帶你破解...
沈念sama閱讀 206,126評(píng)論 6贊 481
死咒
序言：濱河連續(xù)發(fā)生了三起死亡事件乏德，死亡現(xiàn)場(chǎng)離奇詭異，居然都是意外死亡吠昭，警方通過(guò)查閱死者的電腦和手機(jī)喊括，發(fā)現(xiàn)死者居然都...
沈念sama閱讀 88,254評(píng)論 2贊 382
救了他兩次的神仙讓他今天三更去死
文/潘曉璐我一進(jìn)店門，熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)矢棚，“玉大人郑什，你說(shuō)我怎么就攤上這事∑牙撸” “怎么了蘑拯？”我有些...
開封第一講書人閱讀 152,445評(píng)論 0贊 341
道士緝兇錄：失蹤的賣姜人
文/不壞的土叔我叫張陵，是天一觀的道長(zhǎng)兜粘。經(jīng)常有香客問(wèn)我申窘，道長(zhǎng)，這世上最難降的妖魔是什么孔轴？我笑而不...
開封第一講書人閱讀 55,185評(píng)論 1贊 278
?港島之戀（遺憾婚禮）
正文為了忘掉前任剃法，我火速辦了婚禮，結(jié)果婚禮上距糖，老公的妹妹穿的比我還像新娘玄窝。我一直安慰自己，他們只是感情好悍引，可當(dāng)我...
茶點(diǎn)故事閱讀 64,178評(píng)論 5贊 371
惡毒庶女頂嫁案：這布局不是一般人想出來(lái)的
文/花漫我一把揭開白布恩脂。她就那樣靜靜地躺著，像睡著了一般趣斤。火紅的嫁衣襯著肌膚如雪俩块。梳的紋絲不亂的頭發(fā)上，一...
開封第一講書人閱讀 48,970評(píng)論 1贊 284
城市分裂傳說(shuō)
那天，我揣著相機(jī)與錄音玉凯，去河邊找鬼势腮。笑死，一個(gè)胖子當(dāng)著我的面吹牛漫仆，可吹牛的內(nèi)容都是我干的捎拯。我是一名探鬼主播，決...
沈念sama閱讀 38,276評(píng)論 3贊 399
雙鴛鴦連環(huán)套：你想象不到人心有多黑
文/蒼蘭香墨我猛地睜開眼盲厌，長(zhǎng)吁一口氣：“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼署照！你這毒婦竟也來(lái)了？” 一聲冷哼從身側(cè)響起吗浩，我...
開封第一講書人閱讀 36,927評(píng)論 0贊 259
萬(wàn)榮殺人案實(shí)錄
序言：老撾萬(wàn)榮一對(duì)情侶失蹤建芙，失蹤者是張志新（化名）和其女友劉穎，沒(méi)想到半個(gè)月后懂扼，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體禁荸，經(jīng)...
沈念sama閱讀 43,400評(píng)論 1贊 300
?護(hù)林員之死
正文獨(dú)居荒郊野嶺守林人離奇死亡，尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛以下內(nèi)容為張勛視角年9月15日...
茶點(diǎn)故事閱讀 35,883評(píng)論 2贊 323
?白月光啟示錄
正文我和宋清朗相戀三年阀湿，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了赶熟。大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
茶點(diǎn)故事閱讀 37,997評(píng)論 1贊 333
活死人
序言：一個(gè)原本活蹦亂跳的男人離奇死亡炕倘，死狀恐怖钧大，靈堂內(nèi)的尸體忽然破棺而出，到底是詐尸還是另有隱情罩旋，我是刑警寧澤啊央，帶...
沈念sama閱讀 33,646評(píng)論 4贊 322
?日本核電站爆炸內(nèi)幕
正文年R本政府宣布，位于F島的核電站涨醋，受9級(jí)特大地震影響瓜饥，放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜浴骂，卻給世界環(huán)境...
茶點(diǎn)故事閱讀 39,213評(píng)論 3贊 307
男人毒藥：我在死后第九天來(lái)索命
文/蒙蒙一乓土、第九天我趴在偏房一處隱蔽的房頂上張望。院中可真熱鬧溯警，春花似錦趣苏、人聲如沸。這莊子的主人今日做“春日...
開封第一講書人閱讀 30,204評(píng)論 0贊 19
一樁弒父案食磕，背后竟有這般陰謀
文/蒼蘭香墨我抬頭看了看天上的太陽(yáng)。三九已至喳挑，卻和暖如春彬伦，著一層夾襖步出監(jiān)牢的瞬間滔悉，已是汗流浹背。一陣腳步聲響...
開封第一講書人閱讀 31,423評(píng)論 1贊 260
情欲美人皮
我被黑心中介騙來(lái)泰國(guó)打工单绑，沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留回官，地道東北人。一個(gè)月前我還...
沈念sama閱讀 45,423評(píng)論 2贊 352
代替公主和親
正文我出身青樓搂橙，卻偏偏與公主長(zhǎng)得像歉提，于是被迫代替她去往敵國(guó)和親。傳聞我的和親對(duì)象是個(gè)殘疾皇子区转，可洞房花燭夜當(dāng)晚...
茶點(diǎn)故事閱讀 42,722評(píng)論 2贊 345

利用scanpy進(jìn)行單細(xì)胞測(cè)序分析（一）預(yù)處理和聚類

準(zhǔn)備數(shù)據(jù)

數(shù)據(jù)預(yù)處理

降維

聚類

尋找Marker基因

推薦閱讀更多精彩內(nèi)容