ArchR官網(wǎng)教程學(xué)習(xí)筆記16（上）:ArchR的軌跡推斷分析

為了在擬時間（pseudo-time）中對細(xì)胞進(jìn)行排序膊畴，ArchR在ArchRProject中創(chuàng)建了細(xì)胞軌跡掘猿，這些軌跡可以在較低的N維子空間中對細(xì)胞進(jìn)行排序。以前唇跨，我們在二維UMAP子空間中執(zhí)行了這種排序稠通，但ArchR改進(jìn)了這種方法，使N維子空間(即LSI)內(nèi)的比對成為可能轻绞。首先采记，ArchR需要一個用戶自定義的軌跡主干，它提供了細(xì)胞組/cluster的粗略排序政勃。例如：鑒于用戶決定的cluster的身份唧龄，一個可以提供干細(xì)胞cluster的cluster ID，然后一個祖細(xì)胞cluster奸远，然后是分化的細(xì)胞cluster既棺，對應(yīng)于一個已知或假定生物相關(guān)細(xì)胞軌跡(比如為HSC提供cluster ID, 然后GMP，最后到單核細(xì)胞)懒叛。接下來丸冕，對于每個cluster，ArchR計算每個細(xì)胞群/cluster在N維的平均坐標(biāo)薛窥，并保留到這些平均坐標(biāo)的歐氏距離位于所有細(xì)胞的前5%的細(xì)胞胖烛。接下來，ArchR沿著軌跡計算每個細(xì)胞從cluster i到cluster i+1的平均坐標(biāo)诅迷，并計算一個偽時間向量（基于這些每個i的迭代的距離）佩番。這允許ArchR為每個細(xì)胞確定一個N維坐標(biāo)和擬時間值，作為基于歐氏距離的細(xì)胞組/cluster平均坐標(biāo)的軌跡罢杉。（這句不太會翻譯趟畏，原文在這：This allows ArchR to determine an N-dimensional coordinate and a pseudo-time value for each of the cells retained as part of the trajectory based on the Euclidean distance to the cell group/cluster mean coordinates. ）然后，ArchR根據(jù)偽時間值對每個N維坐標(biāo)進(jìn)行連續(xù)軌跡擬合滩租，使用smooth.spline函數(shù)赋秀。之后，ArchR根據(jù)細(xì)胞在流形上最近點的歐幾里得距離律想，將所有細(xì)胞對齊到軌跡上猎莲。然后，ArchR將此比對scales到100蜘欲，并將此擬時間存儲在ArchRProject中以供下游分析之用益眉。

ArchR可以創(chuàng)建矩陣，在Arrow files中存儲的特性之間傳遞擬時間趨勢姥份。例如郭脂，ArchR可以分析擬時間內(nèi)TF偏差、基因評分或整合基因表達(dá)的變化澈歉，以識別貫穿細(xì)胞軌跡的動態(tài)調(diào)節(jié)因子或調(diào)控元件展鸡。首先，ArchR在細(xì)胞軌跡上以用戶定義的小分位數(shù)增量(默認(rèn)為1/100)對細(xì)胞進(jìn)行分組埃难。ArchR使用用戶定義的平滑窗口(默認(rèn)= 9/100)使用data.table::frollmean功能對矩陣的每個特征進(jìn)行平滑處理莹弊。然后，ArchR返回這個平滑擬時間x特征矩陣涡尘，作為下游分析的SummarizedExperiment忍弛。ArchR還可以使用名稱匹配(即帶有chromVAR TF偏差的正向調(diào)節(jié)因子和基因評分/整合圖譜)或使用低重疊細(xì)胞聚集的基因組位置重疊方法(即peak-to-gene linkages)將兩個平滑偽時間x特征矩陣關(guān)聯(lián)起來，如前面所述考抄。因此细疚，ArchR有助于跨細(xì)胞軌跡的綜合分析，揭示跨多模動態(tài)數(shù)據(jù)的相關(guān)調(diào)控動力學(xué)川梅。

（一）髓系（Myeloid）軌跡-單核細(xì)胞分化

在本節(jié)中疯兼，我們將創(chuàng)建一個近似于HSCs分化為完全分化單核細(xì)胞的細(xì)胞軌跡。首先贫途，讓我們回顧一下前面定義的cluster和cell types吧彪，它們存儲在cellColData中名為“clusters”和“Clusters2”的列中。在我們的UMAP嵌入上覆蓋這些細(xì)胞分組顯示了我們感興趣的不同細(xì)胞類型丢早。

#顯示cluster
> p1 <- plotEmbedding(ArchRProj = projHeme5, colorBy = "cellColData", name = "Clusters", embedding = "UMAP")
#顯示細(xì)胞類型
> p2 <- plotEmbedding(ArchRProj = projHeme5, colorBy = "cellColData", name = "Clusters2", embedding = "UMAP")
#出圖
> ggAlignPlots(p1, p2, type = "h")

（１）UMAP擬時間與單獨特征的繪制

我們將使用存儲在“Clusters2”中的細(xì)胞類型定義姨裸。如上所述，我們正在創(chuàng)建一條從干細(xì)胞(“Progenitor”)怨酝，通過連接的髓系祖細(xì)胞(“GMP”)傀缩，到單核細(xì)胞(“Mono”)的軌跡。創(chuàng)建軌跡的第一步是以細(xì)胞組標(biāo)簽的有序向量的形式創(chuàng)建軌跡主干凫碌。

> trajectory <- c("Progenitor", "GMP", "Mono")
> trajectory
[1] "Progenitor" "GMP"        "Mono"

我們使用addTrajectory()函數(shù)創(chuàng)建一條軌跡扑毡，并將其添加到ArchRProject中。我們稱這個軌跡為“MyeloidU”盛险。這樣做的目的是在cellColData中創(chuàng)建一個名為“MyeloidU”的新列瞄摊，它存儲了軌跡中每個細(xì)胞的擬時間值。不屬于軌跡的細(xì)胞用NA標(biāo)記苦掘。

> projHeme5 <- addTrajectory(
    ArchRProj = projHeme5, 
    name = "MyeloidU", 
    groupBy = "Clusters2",
    trajectory = trajectory, 
    embedding = "UMAP", 
    force = TRUE
)

我們可以查看這些信息换帜，發(fā)現(xiàn)每個細(xì)胞都有一個在0到100之間的唯一偽時間值。我們排除了有NA值的細(xì)胞鹤啡，因為這些不是軌跡的一部分惯驼。

> head(projHeme5$MyeloidU[!is.na(projHeme5$MyeloidU)])
[1] 46.66808 55.72245 54.28390 44.57373 46.94309 45.82187

為了繪制這條軌跡，我們使用了plotTrajectory()函數(shù)，該函數(shù)覆蓋了UMAP嵌入的擬時間值祟牲，并顯示了一個箭頭隙畜，接近擬合后的軌跡路徑。不屬于軌跡的細(xì)胞呈灰色说贝。在本例中议惰，我們使用colorBy = "cellColData"來告訴ArchR在cellColData中查找由名稱指定的列——在本例中是“MyeloidU”擬時間軌跡。雖然它可能看起來比較不太正常乡恕，列出“MyeloidU”為trajectory和name言询，這樣做是因為trajectory告訴ArchR哪個細(xì)胞子集我們感興趣，name告訴ArchR如何給細(xì)胞子集上顏色傲宜。

> p <- plotTrajectory(projHeme5, trajectory = "MyeloidU", colorBy = "cellColData", name = "MyeloidU")
> p[[1]]
> plotPDF(p, name = "Plot-MyeloidU-Traj-UMAP.pdf", ArchRProj = projHeme5, addDOC = FALSE, width = 5, height = 5)

我們還可以在UMAP嵌入的軌跡上覆蓋其他特征运杭。這允許我們只在細(xì)胞內(nèi)顯示與我們的軌跡相關(guān)的特定特征。

如果你還沒有將impute weights添加到你的projHeme5項目中函卒，可以現(xiàn)在添加：

> projHeme5 <- addImputeWeights(projHeme5)

然后辆憔，我們可以繪制出“MyeloidU” 軌跡，但通過CEBPB基因的基因評分值給細(xì)胞著色谆趾。CEBPB基因是已知的單核細(xì)胞功能調(diào)節(jié)因子躁愿，在分化過程中變得活躍。我們通過colorBy參數(shù)表示要使用的矩陣沪蓬，通過name參數(shù)表示要使用的特征彤钟。

> p1 <- plotTrajectory(projHeme5, trajectory = "MyeloidU", colorBy = "GeneScoreMatrix", name = "CEBPB", continuousSet = "horizonExtra")

我們可以重復(fù)這個過程，但是通過他們鏈接的基因表達(dá)通過GeneIntegrationMatrix給細(xì)胞上色跷叉。

> p2 <- plotTrajectory(projHeme5, trajectory = "MyeloidU", colorBy = "GeneIntegrationMatrix", name = "CEBPB", continuousSet = "blueYellow")

plotTrajectory() 函數(shù)的作用是:返回一個相關(guān)圖形的列表逸雹。列表中的第一個圖是一個嵌入的UMAP，按照函數(shù)調(diào)用中指定的顏色著色云挟。

將這些UMAP圖并排比較基因評分和基因表達(dá)梆砸，我們可以看到CEBPB基因的活性在擬時間軌跡的后期對單核細(xì)胞具有高度特異性。

> ggAlignPlots(p1[[1]], p2[[1]], type = "h")

plotTrajectory()返回的第二個圖是擬時間相對于相關(guān)特征值(在本例中是CEBPB的基因評分或基因表達(dá))的點圖园欣。在這種情況下帖世，細(xì)胞被擬時間著色绽淘。

> ggAlignPlots(p1[[2]], p2[[2]], type = "h")

（２）擬時間熱圖

我們可以使用熱圖在擬時間中可視化許多特征的變化弦赖。為此限嫌，我們首先使用getTrajectory()函數(shù)從ArchRProject檢索感興趣的軌跡祈搜，該函數(shù)將軌跡作為SummarizedExperiment對象返回。通過將相應(yīng)的矩陣傳遞給useMatrix參數(shù)朵逝，我們將為motifs腐螟、基因評分栏豺、基因表達(dá)和峰可接近性創(chuàng)建這些偽擬時間熱圖翔怎。

> trajMM  <- getTrajectory(ArchRProj = projHeme5, name = "MyeloidU", useMatrix = "MotifMatrix", log2Norm = FALSE)

然后將SummarizedExperiment 傳遞給plotTrajectoryHeatmap()函數(shù):

> p1 <- plotTrajectoryHeatmap(trajMM, pal = paletteContinuous(set = "solarExtra"))

通過設(shè)置useMatrix = "GeneScoreMatrix"窃诉，我們可以執(zhí)行相同的步驟來獲得基因評分的擬時間熱圖：

> trajGSM <- getTrajectory(ArchRProj = projHeme5, name = "MyeloidU", useMatrix = "GeneScoreMatrix", log2Norm = TRUE)
> p2 <- trajectoryHeatmap(trajGSM,  pal = paletteContinuous(set = "horizonExtra"))

同樣杨耙，通過設(shè)置useMatrix = "GeneIntegrationMatrix"，我們可以得到基因表達(dá)的擬時間熱圖：

> trajGIM <- getTrajectory(ArchRProj = projHeme5, name = "MyeloidU", useMatrix = "GeneIntegrationMatrix", log2Norm = FALSE)
> p3 <- plotTrajectoryHeatmap(trajGIM,  pal = paletteContinuous(set = "blueYellow"))

最后飘痛，通過設(shè)置useMatrix = "PeakMatrix"珊膜，可以得到可接近峰的擬時間熱圖：

> trajPM  <- getTrajectory(ArchRProj = projHeme5, name = "MyeloidU", useMatrix = "PeakMatrix", log2Norm = TRUE)
> p4 <- plotTrajectoryHeatmap(trajPM, pal = paletteContinuous(set = "solarExtra"))

最后保存四個熱圖：

> plotPDF(p1, p2, p3, p4, name = "Plot-MyeloidU-Traj-Heatmaps.pdf", ArchRProj = projHeme5, addDOC = FALSE, width = 6, height = 8)

（３）整合的擬時間分析

我們也可以進(jìn)行整合分析，比如通過整合基因評分/基因表達(dá)與motif可接近性敦冬，在擬時間內(nèi)識別正向調(diào)控的的TF因子辅搬。這可能是非常強(qiáng)大的唯沮，例如在識別分化過程中的driver因子脖旱。為此，我們使用correlateTrajectories()函數(shù)介蛉，該函數(shù)接受從getTrajectories()函數(shù)檢索到的SummarizedExperiment 對象萌庆。

首先，我們找出偽時間里與TF基因評分相關(guān)的motif可接近性币旧。

> corGSM_MM <- correlateTrajectories(trajGSM, trajMM)

correlateTrajectories()的主要輸出是一個列表對象践险，其中包含一個DataFrame對象作為列表中的第一個條目。這個DataFrame包含名為idx1吹菱、matchname1巍虫、name1和VarAssay1的列，它們對應(yīng)于傳遞給correlateTrajectories()函數(shù)的第一個軌跡(基因得分)中的索引鳍刷、匹配名稱占遥、未修改名稱和特征的方差分位∈涔希“方差分位數(shù)”是給定特征的標(biāo)準(zhǔn)化度量瓦胎，它允許我們在不同的分析之間獲得相關(guān)性。該DataFrame包含了滿足correlateTrajectories()函數(shù)中指定的cutoffs的所有特性尤揣。

> corGSM_MM[[1]]
DataFrame with 38 rows and 12 columns
         idx1      idx2 matchname1 matchname2           name1
    <integer> <integer>    <array>    <array>     <character>
1          82      1081     PRDM16     PRDM16     chr1:PRDM16
2         731       932       TAL1       TAL1       chr1:TAL1
3        2034      1002       ATF3       ATF3       chr1:ATF3
4        2369      1254      GATA3      GATA3     chr10:GATA3
5        2370      1254      GATA3      GATA3 chr10:GATA3-AS1
...       ...       ...        ...        ...             ...
34      20780      1031      SNAI2      SNAI2      chr8:SNAI2
35      21036      1696      KLF10      KLF10      chr8:KLF10
36      21658      1003      NFIL3      NFIL3      chr9:NFIL3
37      21793      1078       KLF4       KLF4       chr9:KLF4
38      22097      1565       RXRA       RXRA       chr9:RXRA
           name2       Correlation         VarAssay1         VarAssay2
     <character>         <numeric>         <numeric>         <numeric>
1   z:PRDM16_211  0.85014826559353 0.999740562978337 0.875287356321839
2      z:TAL1_62 0.696298473631261 0.882388550179444 0.989080459770115
3     z:ATF3_132 0.819469211756172 0.984779694729105 0.931609195402299
4    z:GATA3_384 0.732708704489167 0.837419466424525 0.991954022988506
5    z:GATA3_384 0.711284069415112 0.987201106931292 0.991954022988506
...          ...               ...               ...               ...
34   z:SNAI2_161 0.681024727630591 0.861547109439184  0.98448275862069
35   z:KLF10_826 0.533217470662006 0.930297920179876 0.860344827586207
36   z:NFIL3_133  0.82919544014856 0.993773511480088 0.895977011494253
37    z:KLF4_208 0.804088079166488 0.998919012409738 0.904022988505747
38    z:RXRA_695 0.579687074016823 0.913607471786224 0.897126436781609
               TStat                 Pval                  FDR
           <numeric>            <numeric>            <numeric>
1    15.983561542674  4.7273839846548e-29 7.73400019889526e-26
2   9.60359546878347 8.77882016024456e-16 3.59053744554003e-14
3   14.1546027210612 1.98559418498259e-25  5.4140534777192e-23
4   10.6583309726314 4.53341402479216e-18 3.22463710633042e-16
5   10.0175078671253 1.10887216067257e-16 5.33563192605979e-15
...              ...                  ...                  ...
34  9.20683499132072 6.37374397310972e-15 2.27896264168966e-13
35  6.23962130337716 1.11991547934746e-08 1.27234841959198e-07
36  14.6855480197568 1.68977613968731e-26 6.91118441132108e-24
37  13.3892842533234 7.33134596013733e-24 1.49926024884808e-21
38  7.04262799929917 2.62343842259912e-10 4.42468583440429e-09

然后我們可以對相應(yīng)的軌跡SummarizedExperiment對象進(jìn)行子集化搔啊，使其只包含上面?zhèn)鬟f的顯著性的元素。

> trajGSM2 <- trajGSM[corGSM_MM[[1]]$name1, ]
> trajMM2 <- trajMM[corGSM_MM[[1]]$name2, ]

為了最好地排列這些特征北戏，我們可以創(chuàng)建一個新的軌跡负芋，其中這兩個軌跡的值相乘。這將允許我們創(chuàng)建并排的熱圖嗜愈，并按照“行”進(jìn)行相同的排序旧蛾。

> trajCombined <- trajGSM2
> assay(trajCombined) <- t(apply(assay(trajGSM2), 1, scale)) + t(apply(assay(trajMM2), 1, scale))

我們可以從plotTrajectoryHeatmap()函數(shù)的返回值中提取最優(yōu)行序:

> combinedMat <- plotTrajectoryHeatmap(trajCombined, returnMat = TRUE, varCutOff = 0)
> rowOrder <- match(rownames(combinedMat), rownames(trajGSM2))

這樣，我們現(xiàn)在就可以創(chuàng)建成對的熱圖了芝硬。首先蚜点，我們將創(chuàng)建基因評分軌跡的熱圖。我們通過rowOrder參數(shù)指定所需的行順序

> ht1 <- plotTrajectoryHeatmap(trajGSM2,  pal = paletteContinuous(set = "horizonExtra"),  varCutOff = 0, rowOrder = rowOrder)

然后拌阴，我們將為motif軌跡創(chuàng)建熱圖绍绘，再次通過rowOrder參數(shù)指定行順序:

>ht2 <- plotTrajectoryHeatmap(trajMM2, pal = paletteContinuous(set = "solarExtra"), varCutOff = 0, rowOrder = rowOrder)

將這兩個熱圖并排繪制，我們可以看到這兩個熱圖之間的行是匹配的。你可能注意到陪拘，分析同時捕獲了GATA3和GATA3- as1 (GATA3的反義轉(zhuǎn)錄本)厂镇。反義轉(zhuǎn)錄本可以在后處理中手動刪除，或者如果需要左刽，可以通過程序刪除捺信。

> ht1 + ht2

我們可以重復(fù)同樣的過程，但使用GeneIntegrationMatrix中的基因表達(dá)欠痴。因為這是相同的分析流程迄靠，所以我們不會對每個步驟重復(fù)解釋：

> corGIM_MM <- correlateTrajectories(trajGIM, trajMM)
> corGIM_MM[[1]]
DataFrame with 39 rows and 12 columns
         idx1      idx2 matchname1 matchname2       name1       name2
    <integer> <integer>    <array>    <array> <character> <character>
1         295      1601      RUNX3      RUNX3  chr1:RUNX3 z:RUNX3_731
2         680      1612       NFIA       NFIA   chr1:NFIA  z:NFIA_742
3        1227      1512      MEF2D      MEF2D  chr1:MEF2D z:MEF2D_642
4        1936      1254      GATA3      GATA3 chr10:GATA3 z:GATA3_384
5        2036      1027       ZEB1       ZEB1  chr10:ZEB1  z:ZEB1_157
...       ...       ...        ...        ...         ...         ...
35      15859       997      CREB5      CREB5  chr7:CREB5 z:CREB5_127
36      16783      1022      CEBPD      CEBPD  chr8:CEBPD z:CEBPD_152
37      17463      1003      NFIL3      NFIL3  chr9:NFIL3 z:NFIL3_133
38      17560      1078       KLF4       KLF4   chr9:KLF4  z:KLF4_208
39      17803      1565       RXRA       RXRA   chr9:RXRA  z:RXRA_695
          Correlation         VarAssay1         VarAssay2
            <numeric>         <numeric>         <numeric>
1   0.860047343627608 0.801085963120262 0.986206896551724
2   0.894245099146662 0.854416429224235  0.92183908045977
3   0.712167453144056 0.842266544809419 0.855172413793103
4   0.853980182469668 0.800279554862642 0.991954022988506
5   0.758292172128321 0.846406107198538  0.92816091954023
...               ...               ...               ...
35  0.945126143544879 0.913606795333584 0.909195402298851
36  0.863657822834346 0.992796086231923 0.999425287356322
37  0.794403875364849 0.921348314606742 0.895977011494253
38  0.869343633075701 0.983387989893016 0.904022988505747
39  0.878862330182784 0.943927745820117 0.897126436781609
               TStat                 Pval                  FDR
           <numeric>            <numeric>            <numeric>
1   16.6871751532611 2.13271762375757e-30 3.54183462516882e-29
2   19.7788605813507 5.46736754072656e-36 2.31120536948895e-34
3   10.0427370351419 9.77537930169305e-17 6.06073516704969e-16
4   16.2480926144105 1.46386532929263e-29 2.16094405752722e-28
5   11.5148618409319 6.50032103211223e-20 5.03774879988698e-19
...              ...                  ...                  ...
35  28.6382309731165 2.07281898426153e-49 2.40965206920403e-47
36  16.9611989488559 6.48983675726322e-31 1.16068234312592e-29
37   12.947527156958 6.06031542413251e-23 5.87093056712836e-22
38  17.4138442225833 9.28541630505885e-32 1.83732705610739e-30
39  18.2367229609944 2.89442439140554e-33 8.41192088752235e-32

> trajGIM2 <- trajGIM[corGIM_MM[[1]]$name1, ]
> trajMM2 <- trajMM[corGIM_MM[[1]]$name2, ]

> trajCombined <- trajGIM2
> assay(trajCombined) <- t(apply(assay(trajGIM2), 1, scale)) + t(apply(assay(trajMM2), 1, scale))

> combinedMat <- plotTrajectoryHeatmap(trajCombined, returnMat = TRUE, varCutOff = 0)
> rowOrder <- match(rownames(combinedMat), rownames(trajGIM2))
> ht1 <- plotTrajectoryHeatmap(trajGIM2,  pal = paletteContinuous(set = "blueYellow"),  varCutOff = 0, rowOrder = rowOrder)
> ht2 <- plotTrajectoryHeatmap(trajMM2, pal = paletteContinuous(set = "solarExtra"), varCutOff = 0, rowOrder = rowOrder)
> ht1+ht2

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

禁止轉(zhuǎn)載，如需轉(zhuǎn)載請通過簡信或評論聯(lián)系作者喇辽。

人面猴
序言：七十年代末掌挚，一起剝皮案震驚了整個濱河市，隨后出現(xiàn)的幾起案子菩咨，更是在濱河造成了極大的恐慌吠式，老刑警劉巖，帶你破解...
沈念sama閱讀 206,126評論 6贊 481
死咒
序言：濱河連續(xù)發(fā)生了三起死亡事件抽米，死亡現(xiàn)場離奇詭異特占，居然都是意外死亡，警方通過查閱死者的電腦和手機(jī)云茸，發(fā)現(xiàn)死者居然都...
沈念sama閱讀 88,254評論 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)店門是目，熙熙樓的掌柜王于貴愁眉苦臉地迎上來，“玉大人查辩，你說我怎么就攤上這事胖笛。” “怎么了宜岛？”我有些...
開封第一講書人閱讀 152,445評論 0贊 341
道士緝兇錄：失蹤的賣姜人
文/不壞的土叔我叫張陵长踊，是天一觀的道長。經(jīng)常有香客問我萍倡，道長身弊，這世上最難降的妖魔是什么？我笑而不...
開封第一講書人閱讀 55,185評論 1贊 278
?港島之戀（遺憾婚禮）
正文為了忘掉前任列敲，我火速辦了婚禮阱佛，結(jié)果婚禮上，老公的妹妹穿的比我還像新娘戴而。我一直安慰自己凑术，他們只是感情好，可當(dāng)我...
茶點故事閱讀 64,178評論 5贊 371
惡毒庶女頂嫁案：這布局不是一般人想出來的
文/花漫我一把揭開白布所意。她就那樣靜靜地躺著淮逊，像睡著了一般催首。火紅的嫁衣襯著肌膚如雪。梳的紋絲不亂的頭發(fā)上泄鹏，一...
開封第一講書人閱讀 48,970評論 1贊 284
城市分裂傳說
那天郎任，我揣著相機(jī)與錄音，去河邊找鬼备籽。笑死舶治，一個胖子當(dāng)著我的面吹牛，可吹牛的內(nèi)容都是我干的车猬。我是一名探鬼主播霉猛，決...
沈念sama閱讀 38,276評論 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，長吁一口氣：“原來是場噩夢啊……” “哼诈唬！你這毒婦竟也來了韩脏？” 一聲冷哼從身側(cè)響起，我...
開封第一講書人閱讀 36,927評論 0贊 259
萬榮殺人案實錄
序言：老撾萬榮一對情侶失蹤铸磅，失蹤者是張志新（化名）和其女友劉穎，沒想到半個月后杭朱，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體阅仔，經(jīng)...
沈念sama閱讀 43,400評論 1贊 300
?護(hù)林員之死
正文獨居荒郊野嶺守林人離奇死亡，尸身上長有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...
茶點故事閱讀 35,883評論 2贊 323
?白月光啟示錄
正文我和宋清朗相戀三年弧械，在試婚紗的時候發(fā)現(xiàn)自己被綠了八酒。大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
茶點故事閱讀 37,997評論 1贊 333
活死人
序言：一個原本活蹦亂跳的男人離奇死亡刃唐，死狀恐怖羞迷，靈堂內(nèi)的尸體忽然破棺而出，到底是詐尸還是另有隱情画饥，我是刑警寧澤衔瓮，帶...
沈念sama閱讀 33,646評論 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島的核電站抖甘，受9級特大地震影響热鞍，放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜衔彻，卻給世界環(huán)境...
茶點故事閱讀 39,213評論 3贊 307
男人毒藥：我在死后第九天來索命
文/蒙蒙一薇宠、第九天我趴在偏房一處隱蔽的房頂上張望。院中可真熱鬧艰额，春花似錦澄港、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評論 0贊 19
一樁弒父案回梧，背后竟有這般陰謀
文/蒼蘭香墨我抬頭看了看天上的太陽逐工。三九已至，卻和暖如春漂辐，著一層夾襖步出監(jiān)牢的瞬間泪喊，已是汗流浹背。一陣腳步聲響...
開封第一講書人閱讀 31,423評論 1贊 260
情欲美人皮
我被黑心中介騙來泰國打工髓涯，沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留袒啼，地道東北人。一個月前我還...
沈念sama閱讀 45,423評論 2贊 352
代替公主和親
正文我出身青樓纬纪，卻偏偏與公主長得像蚓再，于是被迫代替她去往敵國和親。傳聞我的和親對象是個殘疾皇子包各，可洞房花燭夜當(dāng)晚...
茶點故事閱讀 42,722評論 2贊 345

ArchR官網(wǎng)教程學(xué)習(xí)筆記16（上）:ArchR的軌跡推斷分析

（一）髓系（Myeloid）軌跡-單核細(xì)胞分化

（１）UMAP擬時間與單獨特征的繪制

（２）擬時間熱圖

（３）整合的擬時間分析

推薦閱讀更多精彩內(nèi)容