今天又是入門單細胞分析的一天
在單細胞分析當(dāng)中，我們會用到兩個函數(shù)：NormalizeData()和ScaleData()褥芒，這兩個函數(shù)的區(qū)別到底在哪兒？它們到底對我們的單細胞數(shù)據(jù)做了什么樣的處理？今天就這個問題談?wù)勎易鳛槌鯇W(xué)者的理解锰扶。
測序深度
首先第一個問題是献酗，什么是測序深度？
測序深度簡而言之就是測序得到的堿基數(shù)與基因組堿基數(shù)之間的比值坷牛。一般來說罕偎，對一個細胞而言，測序深度越大京闰，每個基因檢測到的reads會越多颜及。這實際上就會造成一個問題，在處理單細胞數(shù)據(jù)時蹂楣，如果一個基因在一個細胞當(dāng)中的reads數(shù)很少俏站，這究竟是這個基因本身就表達很少，還是因為這個細胞本身測序得到的reads數(shù)就很少呢（要窮大家一起窮）痊土？
z-score
第二個問題乾翔，什么是基因的z-score？
z-score的計算方法如下：
實際上可以發(fā)現(xiàn)施戴，這個z-score不就是做了一個(0,1)正態(tài)分布化的操作嗎反浓？那這個操作有什么意義呢？
我們經(jīng)常會畫熱圖來展示基因的表達情況赞哗，但是如果數(shù)據(jù)過于分散會出現(xiàn)什么情況呢雷则？舉個例子：
#生成一個服從標(biāo)準(zhǔn)正態(tài)分布的10*10矩陣
mymatrix <- matrix(data = rnorm(100,mean = 0,sd = 1),ncol = 10)
#將第一個元素的值擴大至10000
mymatrix[1,1] = 10000
heatmap(mymatrix)
可以看到，右上角的那個元素完全是一枝獨秀肪笋，這實際上掩蓋了其它元素的情況月劈，但是當(dāng)我們對數(shù)據(jù)進行正態(tài)標(biāo)準(zhǔn)化之后：
mymatrix <- scale(mymatrix)
heatmap(mymatrix)
怎么樣？這樣是不是好了很多藤乙？實際上標(biāo)準(zhǔn)正態(tài)分布能夠讓數(shù)據(jù)不那么分散猜揪，這在我們繪制熱圖的時候是非常必要的，畢竟我們熱圖的色階只有那么大的范圍坛梁。
NormalizeData()
有了上面的鋪墊之后而姐，我們現(xiàn)在就能理解NormalizeData()在干什么了。NormalizeData()實際上就是在消除不同細胞測序深度的影響划咐，可以看到拴念，NormalizeData()的一般使用格式為：
library(Seurat)
NormalizeData(object, assay=NULL, normalization.method = "LogNormalize", scale.factor = 10000)
函數(shù)默認將每個細胞的文庫大小設(shè)置成為10000個reads大小，有細心的朋友會發(fā)現(xiàn)normalization.method = "LogNormalize"這個參數(shù)褐缠，這又是什么呢政鼠？
還是前面提到的問題，單細胞數(shù)據(jù)當(dāng)中有很多基因的reads數(shù)很多队魏，甚至上千公般，但是有很多基因卻是個位數(shù)甚至0，那這種數(shù)據(jù)離散程度也是很大的，但是我們會發(fā)現(xiàn)當(dāng)我們對1000取以10為底的對數(shù)時官帘，就變成了3蟹略，對10取以10為底的對數(shù)時，就變成了1遏佣，這樣就實現(xiàn)了降低數(shù)據(jù)離散程度的目的。但是這也存在一定的問題揽浙，如果一個基因的reads數(shù)為0状婶，那豈不是不能取對數(shù)？我們對所有的值都加上1不就能夠解決這個問題馅巷？
所以總結(jié)起來膛虫，NormalizeData()這個函數(shù)是首先對基因的reads數(shù)進行了同一文庫大小的校正，然后再對校正后的數(shù)值進行對數(shù)化操作钓猬。
ScaleData()
這個就簡單了稍刀，不過是對基因表達量的數(shù)值進行了z-score的轉(zhuǎn)換，同時也為后面的pca分析做了鋪墊敞曹，因為pca分析默認數(shù)據(jù)是服從正態(tài)分布的账月。
今天又是摸魚的一天呢！０钠取局齿！
