36計名稱與內(nèi)容無關针贬，僅為統(tǒng)計順序击费。
1、第一計 瞞天過海
防備周全時坚踩，更容易麻痹大意荡灾；習以為常的事，也常會失去警戒瞬铸。秘密常潛藏在公開的事物里，并非存在于公開暴露的事物之外础锐。公開暴露的事物發(fā)展到極端嗓节，就形成了最隱秘的潛藏狀態(tài)。
我的細胞到底分多少個群是合適的皆警？
這是一個廣泛而經(jīng)典問題拦宣。就單細胞技術而言，我們常說每個細胞都是不同的，也就是說你總可以分到最細以單細胞為單位鸵隧，但是這樣就失去高通量的意義了绸罗。在低通量下，我們可以著眼于單個細胞豆瘫，現(xiàn)在成千上萬的細胞珊蟀，一個一個看是不切實際的。那么外驱，我的細胞到底分多少個群是合適的育灸？
這個問題表現(xiàn)在Seurat中就是：Finding optimal cluster resolution in Seurat 3? 我們知道，不同的resolution參數(shù)會帶來不同的分群結果昵宇。先看一下github上面的回答：
While Seurat doesn't have tools for comparing cluster resolutions, there is a tool called clustree designed for this task and works on
Seuratv3 objects natively. It's available on CRAN and can be installed with a simpleinstall.packages('clustree')
clustree我們之前講過磅崭，可以全局地查看不同分群結果：
#先執(zhí)行不同resolution 下的分群
library(Seurat)
pbmc_small <- FindClusters(
object = pbmc_small,
resolution = c(seq(.4,1.6,.2))
)
clustree(pbmc_small@meta.data, prefix = "RNA_snn_res.")
在clustree的圖中我們看到不同resolution的取值情況下分群的關系。既然我們最終是以群為單位來分析的瓦哎，我們肯定是希望每個群是比較純的砸喻。如圖可以看到在倒數(shù)第二層級有個亞群來自不同的分群，這有可能是：
- 分群過度蒋譬，把原來分群的中應有的異質性也提煉出來單獨作為一群了
- 上一層級分群不足割岛，還包含了不該有的異質性。
這里就帶來靈魂拷問了羡铲，就拿B細胞來說吧蜂桶，它本身也是有異質性的啊，那么他的異質性是如何的呢也切？我們知道扑媚，某一類細胞內(nèi)的異質性一般是要小于細胞群之間的異質性的。所以雷恃，拿到這個圖我們就可以根據(jù)自己帶著生物學意義的期望來做一個判斷了疆股。
其實，我們也知道分群終究是非監(jiān)督的倒槐，只是數(shù)據(jù)驅動的旬痹，并不摻雜著數(shù)據(jù)（表達譜）以外的生物學意義。如果拋開這些生物學意義讨越，其實是有一些辦法來評價分群結果的：
這些方法也是在做群內(nèi)和群之間的比較两残，得出類似群純度的度量單位來評價分群結果。在不久前張澤民老師團隊的一篇文章中提到過一種方法：ROGUE: an entropy-based universal metric for assessing the purity of single cell population把跨。
該方法已被封裝為一個R包： https://github.com/PaulingLiu/ROGUE
我們看到已經(jīng)有不少的方法來做分群的評估了人弓，還有：IKAP—Identifying K mAjor cell Population groups in single-cell RNA-sequencing analysis ：
以上這些方法大同小異，核心的問題是着逐，或者研究者真正關心的是：
哪種分群結果的生物解釋性高崔赌？
正所謂：分析總會有結果意蛀，看你敢用不敢用。
