scATAC分析神器ArchR初探-簡(jiǎn)介（1）
scATAC分析神器ArchR初探-ArchR進(jìn)行doublet處理（2）
scATAC分析神器ArchR初探-創(chuàng)建ArchRProject（3）
scATAC分析神器ArchR初探-使用ArchR降維（4）
scATAC分析神器ArchR初探--使用ArchR進(jìn)行聚類（5）
scATAC分析神器ArchR初探-單細(xì)胞嵌入（6）
scATAC分析神器ArchR初探-使用ArchR計(jì)算基因活性值和標(biāo)記基因（7）
scATAC分析神器ArchR初探-scRNA-seq確定細(xì)胞類型（8）
scATAC分析神器ArchR初探-ArchR中的偽批次重復(fù)處理（9）
scATAC分析神器ArchR初探-使用ArchR-peak-calling（10）
scATAC分析神器ArchR初探-使用ArchR識(shí)別標(biāo)記峰（11）
scATAC分析神器ArchR初探-使用ArchR進(jìn)行主題和功能豐富(12)
scATAC分析神器ArchR初探-利用ArchR豐富ChromVAR偏差(13)
scATAC分析神器ArchR初探-使用ArchR進(jìn)行足跡（14）
scATAC分析神器ArchR初探-使用ArchR進(jìn)行整合分析（15）
scATAC分析神器ArchR初探-使用ArchR進(jìn)行軌跡分析（16）
7使用ArchR進(jìn)行基因評(píng)分和標(biāo)記基因
盡管ArchR能夠可靠地調(diào)用集群党觅，但無(wú)法事先知道每個(gè)集群代表哪種小區(qū)類型屿岂。由于每個(gè)應(yīng)用程序都是不同的，因此通常將這項(xiàng)任務(wù)留給手動(dòng)注釋宰译。
為了進(jìn)行這種細(xì)胞類型注釋，我們使用了細(xì)胞類型特異性標(biāo)記基因的先驗(yàn)知識(shí)咖祭，并且我們通過(guò)使用基因評(píng)分從染色質(zhì)可及性數(shù)據(jù)中估計(jì)了這些基因的基因表達(dá)搓茬∈揸基因得分本質(zhì)上是基于基因附近調(diào)控元件的可及性來(lái)預(yù)測(cè)基因?qū)⒏叨缺磉_(dá)的預(yù)測(cè)。為了創(chuàng)建這些基因評(píng)分佳恬，ArchR允許使用用戶提供的復(fù)雜的自定義距離加權(quán)可訪問性模型捏境。
7.1在ArchR中計(jì)算基因得分
在我們的出版物中，我們測(cè)試了50多種不同的基因評(píng)分模型毁葱，并確定了一類模型垫言，這些模型在各種測(cè)試條件下始終優(yōu)于其他模型。在ArchR中作為默認(rèn)模型實(shí)現(xiàn)的此類模型具有三個(gè)主要組成部分：
整個(gè)基因體內(nèi)的可及性有助于基因得分倾剿。
指數(shù)加權(quán)函數(shù)筷频，以距離依賴的方式說(shuō)明假定的遠(yuǎn)端調(diào)節(jié)元件的活動(dòng)。
施加的基因邊界可最大程度地減少無(wú)關(guān)的調(diào)控元件對(duì)基因得分的影響前痘。
那么ArchR如何計(jì)算基因得分呢凛捏？對(duì)于每條染色體，ArchR使用未預(yù)先計(jì)算的用戶定義的圖塊大星鄣蕖（默認(rèn)值為500 bp）創(chuàng)建圖塊矩陣坯癣，并將這些圖塊與用戶定義的基因窗口重疊（基因兩側(cè)的默認(rèn)值為100 kb） ），然后計(jì)算從每個(gè)圖塊（開始或結(jié)束）到基因體（具有可選的擴(kuò)展名上游或下游）或基因起始點(diǎn)的距離乖菱。我們已經(jīng)發(fā)現(xiàn)坡锡，基因表達(dá)的最佳預(yù)測(cè)因子是包括啟動(dòng)子和基因體的基因區(qū)域的局部可及性。如上所述窒所，為正確考慮給定基因的遠(yuǎn)端可及性鹉勒，ArchR標(biāo)識(shí)了位于基因窗口內(nèi)且未穿過(guò)另一個(gè)基因區(qū)域的圖塊的子集。這種過(guò)濾允許包含遠(yuǎn)端調(diào)控元件吵取，其可以提高預(yù)測(cè)基因表達(dá)值的準(zhǔn)確性禽额，但排除更可能與另一個(gè)基因（例如，附近基因的啟動(dòng)子）相關(guān)的調(diào)控元件皮官。然后使用用戶定義的可訪問性模型（默認(rèn)值為e（-abs（distance）/ 5000）+ e-1）將每個(gè)圖塊到基因的距離轉(zhuǎn)換為距離權(quán)重脯倒。當(dāng)基因體被包含在基因區(qū)域中時(shí)（基于距離的權(quán)重是最大可能的權(quán)重），我們發(fā)現(xiàn)非常大的基因會(huì)偏向整體基因得分捺氢。在這些情況下藻丢，由于內(nèi)含子和外顯子都包含插入片段，因此總基因得分可能會(huì)有很大差異摄乒。為了幫助調(diào)整基因大小的這些巨大差異悠反，ArchR對(duì)基因大小的倒數(shù)（1 /基因大胁泻凇）施加單獨(dú)的權(quán)重，并將此反權(quán)重從1線性縮放到用戶定義的硬最大值（默認(rèn)為5）斋否。因此梨水，較小的基因獲得較大的相對(duì)權(quán)重，部分地使這種長(zhǎng)度效應(yīng)標(biāo)準(zhǔn)化茵臭。然后疫诽，將相應(yīng)的距離和基因大小權(quán)重乘以每個(gè)圖塊內(nèi)Tn5插入的數(shù)量，并在基因窗口內(nèi)的所有圖塊上求和旦委，同時(shí)仍按上述方法考慮附近的基因區(qū)域奇徒。這種可訪問性總和是“基因得分”，并且將所有基因的深度標(biāo)準(zhǔn)化為用戶定義的常數(shù)（默認(rèn)值為10,000）社证。然后將計(jì)算出的基因評(píng)分存儲(chǔ)在相應(yīng)的Arrow文件中逼龟，以進(jìn)行下游分析。因此追葡，較小的基因獲得較大的相對(duì)權(quán)重腺律，部分地使這種長(zhǎng)度效應(yīng)標(biāo)準(zhǔn)化。然后宜肉，將相應(yīng)的距離和基因大小權(quán)重乘以每個(gè)圖塊內(nèi)Tn5插入的數(shù)量匀钧，并在基因窗口內(nèi)的所有圖塊上求和，同時(shí)仍按上述方法考慮附近的基因區(qū)域谬返。這種可訪問性總和是“基因得分”之斯，并且將所有基因的深度標(biāo)準(zhǔn)化為用戶定義的常數(shù)（默認(rèn)值為10,000）。然后將計(jì)算出的基因評(píng)分存儲(chǔ)在相應(yīng)的Arrow文件中遣铝，以進(jìn)行下游分析佑刷。因此，較小的基因獲得較大的相對(duì)權(quán)重酿炸，部分地使這種長(zhǎng)度效應(yīng)標(biāo)準(zhǔn)化瘫絮。然后，將相應(yīng)的距離和基因大小權(quán)重乘以每個(gè)圖塊內(nèi)Tn5插入的數(shù)量填硕，并在基因窗口內(nèi)的所有圖塊上求和麦萤，同時(shí)仍按上述方法考慮附近的基因區(qū)域。這種可訪問性總和是“基因得分”扁眯，并且將所有基因的深度標(biāo)準(zhǔn)化為用戶定義的常數(shù)（默認(rèn)值為10,000）壮莹。然后將計(jì)算出的基因評(píng)分存儲(chǔ)在相應(yīng)的Arrow文件中，以進(jìn)行下游分析姻檀。同時(shí)仍然說(shuō)明了如上所述的附近基因區(qū)域命满。這種可訪問性總和是“基因得分”，并且將所有基因的深度標(biāo)準(zhǔn)化為用戶定義的常數(shù)（默認(rèn)值為10,000）绣版。然后將計(jì)算出的基因評(píng)分存儲(chǔ)在相應(yīng)的Arrow文件中胶台，以進(jìn)行下游分析狭莱。同時(shí)仍然說(shuō)明了如上所述的附近基因區(qū)域。這種可訪問性總和是“基因得分”概作，并且將所有基因的深度標(biāo)準(zhǔn)化為用戶定義的常數(shù)（默認(rèn)值為10,000）。然后將計(jì)算出的基因評(píng)分存儲(chǔ)在相應(yīng)的Arrow文件中默怨，以進(jìn)行下游分析讯榕。
為了說(shuō)明默認(rèn)的ArchR基因得分模型是什么樣子，我們提供了這個(gè)玩具示例匙睹，顯示了在整個(gè)基因區(qū)域中應(yīng)用的權(quán)重：
如果將參數(shù)addGeneScoreMat設(shè)置為愚屁，則在創(chuàng)建時(shí)會(huì)為每個(gè)Arrow文件計(jì)算基因得分TRUE-這是默認(rèn)行為『勖剩或者霎槐，可以使用該addGeneScoreMatrix()功能隨時(shí)將基因評(píng)分添加到Arrow文件中。一旦計(jì)算梦谜，嵌入的單個(gè)細(xì)胞可以通過(guò)它們的基因得分著色丘跌，以幫助鑒定各種細(xì)胞類型。我們將在本章的其余部分中說(shuō)明基因評(píng)分的應(yīng)用唁桩。
重要的是要注意闭树，并不是所有的基因在基因評(píng)分上都表現(xiàn)良好。特別是荒澡，居住在基因密集區(qū)的基因可能會(huì)出現(xiàn)問題报辱。因此，最好總是通過(guò)查看測(cè)序軌跡來(lái)理清所有基因得分分析单山，這將在下一章中進(jìn)行介紹碍现。
7.2標(biāo)記功能的識(shí)別
除了使用相關(guān)標(biāo)記基因的先驗(yàn)知識(shí)來(lái)注釋簇外，ArchR還可以針對(duì)任何給定的細(xì)胞分組（例如簇）無(wú)偏地識(shí)別標(biāo)記特征米奸。這些特征可以是任何東西-峰昼接，基因（基于基因得分）或轉(zhuǎn)錄因子基序（基于chromVAR偏差）。ArchR使用getMarkerFeatures()可以通過(guò)useMatrix參數(shù)將任何矩陣作為輸入的函數(shù)來(lái)執(zhí)行此操作躏升，并且可以識(shí)別groupBy參數(shù)所指示的組所獨(dú)有的特征辩棒。如果useMatrix參數(shù)設(shè)置為“ GeneScoreMatrix”，則該函數(shù)將識(shí)別在每種細(xì)胞類型中似乎唯一活躍的基因膨疏。這提供了一種無(wú)偏見的方式來(lái)查看預(yù)測(cè)每個(gè)集群中哪些基因處于活躍狀態(tài)一睁，并有助于集群注釋。
如上所述佃却，getMarkerFeatures()可以將相同的功能與Arrow文件中存儲(chǔ)的任何矩陣一起使用者吁，以標(biāo)識(shí)特定于某些單元格組的功能。這是通過(guò)useMatrix參數(shù)完成的饲帅。例如复凳，useMatrix = "TileMatrix"將鑒定對(duì)特定細(xì)胞組高度特異性的基因組區(qū)域瘤泪，并useMatrix = "PeakMatrix"鑒定對(duì)特定細(xì)胞組高度特異性的峰。getMarkerFeatures()后面的章節(jié)中提供了有關(guān)如何在其他要素類型上使用該功能的示例育八。
7.2.1標(biāo)記特征識(shí)別如何發(fā)生对途？
標(biāo)記特征識(shí)別的此過(guò)程取決于為每個(gè)單元組選擇一組偏置匹配的背景單元。在所有特征中髓棋，將每個(gè)細(xì)胞組與其自身的背景細(xì)胞組進(jìn)行比較实檀，以確定給定的細(xì)胞組是否具有明顯更高的可及性。
這些背景單元格組的選擇對(duì)于此過(guò)程的成功至關(guān)重要按声，并且是在用戶通過(guò)的bias參數(shù)提供的多維空間上執(zhí)行的getMarkerFeatures()膳犹。對(duì)于單元組中的每個(gè)單元，ArchR會(huì)在提供的多維空間中找到不屬于給定單元組成員的最近鄰居單元签则，并將其添加到背景單元組中须床。這樣，ArchR會(huì)創(chuàng)建一組與給定單元組盡可能相似的偏差匹配單元渐裂，因此即使該單元組很小豺旬，也可以更可靠地確定重要性。
ArchR這樣做的方法是采用通過(guò)bias參數(shù)提供的所有尺寸芯义，并對(duì)其值進(jìn)行分位數(shù)歸一化哈垢，以將每個(gè)尺寸的方差分布在相同的相對(duì)比例上。以一個(gè)玩具示例為例扛拨，如果將參數(shù)TSS和log10(Num Fragments)提供給bias耘分，則分位數(shù)前的標(biāo)準(zhǔn)化值可能如下所示：
在此，與沿x軸的方差相比绑警，沿y軸的相對(duì)方差非常小求泰。如果我們對(duì)這些軸進(jìn)行歸一化處理，以使它們的值范圍從0到1计盒，則我們使相對(duì)方差更加相等渴频。重要的是，我們還按照此圖的右側(cè)所示北启，極大地改變了最近的鄰居卜朗。
ArchR對(duì)所有維度進(jìn)行歸一化，并在此歸一化多維空間中使用歐氏距離來(lái)找到最接近的鄰居咕村。
7.3鑒定標(biāo)記基因
為了根據(jù)基因得分識(shí)別標(biāo)記基因场钉，我們用調(diào)用getMarkerFeatures()函數(shù)useMatrix = "GeneScoreMatrix"。我們指定我們想知道特定于群集的功能懈涛，groupBy = "Clusters"這些功能告訴ArchR在其中使用“群集”列cellColData對(duì)單元組進(jìn)行分層逛万。
markersGS <- getMarkerFeatures(
ArchRProj = projHeme2,
useMatrix = "GeneScoreMatrix",
groupBy = "Clusters",
bias = c("TSSEnrichment", "log10(nFrags)"),
testMethod = "wilcoxon"
)
此函數(shù)返回一個(gè)SummarizedExperiment對(duì)象，其中包含有關(guān)所標(biāo)識(shí)的標(biāo)記特征的相關(guān)信息批钠。這種返回值在ArchR中很常見宇植，并且是ArchR啟用下游數(shù)據(jù)分析的關(guān)鍵方式之一得封。SummarizedExperiment對(duì)象類似于矩陣，其中行表示感興趣的特征（即基因）指郁，而列表示樣本忙上。一個(gè)SummarizedExperiment對(duì)象包含一個(gè)或多個(gè)測(cè)定，每個(gè)測(cè)定均由數(shù)字?jǐn)?shù)據(jù)的類似矩陣的對(duì)象表示闲坎，以及適用于測(cè)定矩陣行或列的元數(shù)據(jù)晨横。深入研究SummarizedExperiment對(duì)象超出了本教程的范圍，但如果需要更多信息箫柳，請(qǐng)查看生物導(dǎo)體頁(yè)面。
我們可以DataFrame使用getMarkers()函數(shù)獲得一個(gè)對(duì)象列表啥供，每個(gè)集群一個(gè)悯恍，包含相關(guān)的標(biāo)記功能：
markerList <- getMarkers(markersGS, cutOff = "FDR <= 0.01 & Log2FC >= 1.25")
markerList$C6
為了同時(shí)可視化所有標(biāo)記特征，我們可以使用markerHeatmap()函數(shù)創(chuàng)建一個(gè)熱圖伙狐，可以選擇通過(guò)labelMarkers參數(shù)提供一些標(biāo)記基因在熱圖中進(jìn)行標(biāo)記涮毫。
markerGenes <- c(
"CD34", #Early Progenitor
"GATA1", #Erythroid
"PAX5", "MS4A1", "EBF1", "MME", #B-Cell Trajectory
"CD14", "CEBPB", "MPO", #Monocytes
"IRF8",
"CD3D", "CD8A", "TBX21", "IL7R" #TCells
)
heatmapGS <- markerHeatmap(
seMarker = markersGS,
cutOff = "FDR <= 0.01 & Log2FC >= 1.25",
labelMarkers = markerGenes,
transpose = TRUE
)
要繪制此熱圖，我們可以使用ComplexHeatmap::draw()函數(shù)贷屎，因?yàn)樵?code>heatmapGS對(duì)象實(shí)際上是熱圖列表：
ComplexHeatmap::draw(heatmapGS, heatmap_legend_side = "bot", annotation_legend_side = "bot")
要保存此圖的可編輯矢量化版本罢防，請(qǐng)使用plotPDF()。
plotPDF(heatmapGS, name = "GeneScores-Marker-Heatmap", width = 8, height = 6, ArchRProj = projHeme2, addDOC = FALSE)
7.4可視化嵌入中的標(biāo)記基因
如前所述唉侄，我們可以在UMAP嵌入中疊加每個(gè)細(xì)胞的基因得分咒吐。這是通過(guò)使用函數(shù)中的colorBy和name參數(shù)來(lái)完成的plotEmbedding()。
markerGenes <- c(
"CD34", #Early Progenitor
"GATA1", #Erythroid
"PAX5", "MS4A1", "MME", #B-Cell Trajectory
"CD14", "MPO", #Monocytes
"CD3D", "CD8A"#TCells
)
p <- plotEmbedding(
ArchRProj = projHeme2,
colorBy = "GeneScoreMatrix",
name = markerGenes,
embedding = "UMAP",
quantCut = c(0.01, 0.95),
imputeWeights = NULL
)
要繪制特定基因属划，我們可以將該圖列表子集化：
p$CD14
為了繪制所有基因恬叹，我們可以使用cowplot將各種標(biāo)記基因排列到一個(gè)圖中。
p2 <- lapply(p, function(x){
x + guides(color = FALSE, fill = FALSE) +
theme_ArchR(baseSize = 6.5) +
theme(plot.margin = unit(c(0, 0, 0, 0), "cm")) +
theme(
axis.text.x=element_blank(),
axis.ticks.x=element_blank(),
axis.text.y=element_blank(),
axis.ticks.y=element_blank()
)
})
do.call(cowplot::plot_grid, c(list(ncol = 3),p2))
要保存此圖的可編輯矢量化版本同眯，我們使用plotPDF()函數(shù)。
plotPDF(plotList = p,
name = "Plot-UMAP-Marker-Genes-WO-Imputation.pdf",
ArchRProj = projHeme2,
addDOC = FALSE, width = 5, height = 5)
7.5用MAGIC進(jìn)行標(biāo)記基因插補(bǔ)
在上一節(jié)中，您可能已經(jīng)注意到舱馅，某些基因得分圖似乎變化很大铛楣。這是因?yàn)閟cATAC-seq數(shù)據(jù)稀疏。我們可以使用MAGIC通過(guò)平滑附近細(xì)胞之間的信號(hào)來(lái)估算基因得分明肮。在我們手中菱农，這大大改善了基因評(píng)分的視覺解釋。為此晤愧，我們首先將估算權(quán)重添加到ArchRProject大莫。
projHeme2 <- addImputeWeights(projHeme2)
然后，plotEmbedding()在繪制覆蓋在UMAP嵌入上的基因得分時(shí)官份，可以將這些估算權(quán)重傳遞給只厘。
markerGenes <- c(
"CD34", #Early Progenitor
"GATA1", #Erythroid
"PAX5", "MS4A1", "MME", #B-Cell Trajectory
"CD14", "MPO", #Monocytes
"CD3D", "CD8A"#TCells
)
p <- plotEmbedding(
ArchRProj = projHeme2,
colorBy = "GeneScoreMatrix",
name = markerGenes,
embedding = "UMAP",
imputeWeights = getImputeWeights(projHeme2)
)
和以前一樣烙丛，我們可以將此圖列表子集來(lái)選擇特定基因。
p$CD14
或者我們可以使用一次性繪制所有標(biāo)記基因cowplot羔味。
#Rearrange for grid plotting
p2 <- lapply(p, function(x){
x + guides(color = FALSE, fill = FALSE) +
theme_ArchR(baseSize = 6.5) +
theme(plot.margin = unit(c(0, 0, 0, 0), "cm")) +
theme(
axis.text.x=element_blank(),
axis.ticks.x=element_blank(),
axis.text.y=element_blank(),
axis.ticks.y=element_blank()
)
})
do.call(cowplot::plot_grid, c(list(ncol = 3),p2))
要保存此圖的可編輯矢量化版本河咽，我們使用plotPDF()函數(shù)。
plotPDF(plotList = p,
name = "Plot-UMAP-Marker-Genes-W-Imputation.pdf",
ArchRProj = projHeme2,
addDOC = FALSE, width = 5, height = 5)
7.6使用ArchRBrowser進(jìn)行軌跡圖
除了以UMAP覆蓋圖的形式繪制每個(gè)細(xì)胞的基因得分外赋元，我們還可以使用基因組瀏覽器軌跡在每個(gè)簇的基礎(chǔ)上瀏覽這些標(biāo)記基因的局部染色質(zhì)可及性忘蟹。為此，我們使用plotBrowserTrack()函數(shù)將創(chuàng)建一個(gè)繪圖列表搁凸，每個(gè)繪圖由指定的基因markerGenes媚值。此函數(shù)將為groupBy參數(shù)中的每個(gè)組繪制一條軌跡。
markerGenes <- c(
"CD34", #Early Progenitor
"GATA1", #Erythroid
"PAX5", "MS4A1", #B-Cell Trajectory
"CD14", #Monocytes
"CD3D", "CD8A", "TBX21", "IL7R" #TCells
)
p <- plotBrowserTrack(
ArchRProj = projHeme2,
groupBy = "Clusters",
geneSymbol = markerGenes,
upstream = 50000,
downstream = 50000
)
要繪制特定基因的軌跡护糖，我們可以從列表中選擇一個(gè)褥芒。
grid::grid.newpage()
grid::grid.draw(p$CD14)
使用該plotPDF()功能，我們可以在圖列表中為每個(gè)基因位點(diǎn)保存多頁(yè)P(yáng)DF嫡良，而只有一頁(yè)锰扶。
plotPDF(plotList = p,
name = "Plot-Tracks-Marker-Genes.pdf",
ArchRProj = projHeme2,
addDOC = FALSE, width = 5, height = 5)
7.7啟動(dòng)ArchRBrowser
scATAC-seq數(shù)據(jù)分析固有的一項(xiàng)挑戰(zhàn)是在各組中觀察到的染色質(zhì)可及性的基因組跟蹤水平可視化。傳統(tǒng)上寝受，軌跡可視化需要對(duì)scATAC-seq片段進(jìn)行分組坷牛，創(chuàng)建基因組覆蓋率大佬，并對(duì)該軌跡進(jìn)行標(biāo)準(zhǔn)化以進(jìn)行定量可視化很澄。通常京闰，最終用戶使用基因組瀏覽器（例如WashU表觀基因組瀏覽器，UCSC基因組瀏覽器或IGV瀏覽器）來(lái)可視化這些測(cè)序軌跡甩苛。該過(guò)程涉及使用多個(gè)軟件忙干，對(duì)細(xì)胞群的任何更改或添加更多樣本都需要重新生成bigwig文件等，這可能會(huì)很耗時(shí)浪藻。
因此捐迫，ArchR具有基于Shiny的交互式基因組瀏覽器，該瀏覽器可以用一行代碼啟動(dòng)ArchRBrowser(ArchRProj)爱葵。Arrow文件中實(shí)現(xiàn)的數(shù)據(jù)存儲(chǔ)策略使該交互式瀏覽器可以動(dòng)態(tài)更改單元分組施戴，分辨率和規(guī)范化，從而實(shí)現(xiàn)實(shí)時(shí)軌道級(jí)別的可視化萌丈。ArchR基因組瀏覽器還創(chuàng)建PDF格式的高質(zhì)量矢量化圖像赞哗，以進(jìn)行發(fā)布或分發(fā)。此外辆雾，瀏覽器GenomicRanges通過(guò)features參數(shù)接受用戶提供的輸入文件（例如用于顯示特征的對(duì)象）肪笋，或通過(guò)參數(shù)定義共同訪問性，峰-基因鏈接或染色質(zhì)構(gòu)象數(shù)據(jù)循環(huán)的基因組交互文件loops。對(duì)于loops預(yù)期的格式是GRanges 對(duì)象藤乙，其起始位置代表一個(gè)環(huán)錨的中心位置猜揪，其終點(diǎn)位置代表另一環(huán)錨的中心位置。
要啟動(dòng)我們的本地交互式基因組瀏覽器坛梁，我們使用該ArchRBrowser()功能而姐。
#ArchRBrowser(projHeme2)
開始時(shí)，我們將看到一個(gè)類似于以下的屏幕：
通過(guò)在“基因符號(hào)”框中選擇一個(gè)基因划咐，我們可以開始瀏覽拴念。您可能需要單擊“繪圖跟蹤”按鈕以強(qiáng)制更新瀏覽器會(huì)話。
一旦我們繪制了基因座褐缠，我們就會(huì)看到一條軌跡代表數(shù)據(jù)中的每個(gè)簇政鼠。
