snRNAseq_bulkRNAseq_DEG_analysis RNAseq数据元分析的管道（Mathys-Grubman-GSE95587）

大量RNA序列淋巴球 淋巴管内皮细胞的RNA seq数据分析（用肿瘤分泌物组或VEGF-C处理） 命令行的详细列表，用于分析从原始计数到差异表达分析（基于edgeR程序包）和基因集富集分析（使用fgsea和clusterProfiler）的大量RNA测序数据。 还包括用于显示多个关联的热图的代码（heatmap.2和pheatmap程序包）

共识非负矩阵分解（cNMF）v1.2 cNMF是用于从单细胞RNA-Seq（scRNA-Seq）数据推断基因表达程序的分析管道。 它以一个计数矩阵（N个细胞XG基因）作为输入，并生成一个（K x G）个基因表达程序（GEPs）矩阵和一个（N x K）矩阵，该矩阵指定数据中每个细胞的每个程序的用法。 您可以在阅读有关该方法的更多信息。 此外，该论文中的分析还可以在上进行探索和重新执行。 您可以在本README中阅读有关如何运行cNMF管道的更多信息，并可以在随附的和使用示例数据对它进行测试。 从1.1版更新 将用于确定高变异性基因的低均值表达基因的阈值从0.01提高到0.5。 除少数单元格外，一些用户正在识别使用率极低的无法解释的程序。 我们怀疑这是由于包含了在少数细胞中检测到的具有高变异性的基因所致。 在大多数情况下，默认参数的此更改将有助于解决该问题。 更新了NMF的导入，以与>

苏州大学现代统计与生物信息学课程内容，实现RNA-seq流程的报告，使用hisat2+stringtie+ballgown流程

CoGe（比较基因组学）平台 CoGe是一个基于Web的平台，提供工具和数据库来协助生物学家进行比较基因组学研究。 安装 有关详细的安装说明，请访问： :

用单细胞数据绘制癌症的免疫抗性 该资源提供了Jerby-Arnon等人研究中开发的代码。 “黑色素瘤生态系统的单细胞RNA-seq揭示了与免疫疗法临床结果相关的T细胞排斥的来源” 。 它重现了这项研究的关键结果，可用于其他单细胞研究人群，探索癌症中的细胞相互作用。 要求 R（已在R版本3.4.0（2017-04-21）中进行测试-“您愚蠢的黑暗”）。 R库：scde，matrixStats，plotrix，plyr，ppcor，生存，ROCR，Hmisc，rms，mixtools，lme4，lmerTest 数据 数据在 （ ImmRes_Rfiles.zip ）中提供。 在门户网站中，您还将找到已处理的单细胞以及。 快速开始 为了重现Jerby-Arnon等人报道的结果。 从下载ImmRes_Rfiles.zip 。 解压缩文件，然后将结果数据目录移动到ImmuneResistanc

典型相关分析matlab实现代码#SCell用户指南 SCell是一个集成的软件工具，用于从大型单细胞RNA-seq数据集中进行质量过滤，标准化，特征选择，降维迭代，聚类和估计基因表达梯度。 SCell是开源的，并通过直观的图形界面实现。 可从Windows获得Mac，MacOS和Linux的二进制可执行文件，从获得源代码和预处理脚本。 如果您使用此软件进行研究，请引用：Aaron Diaz，Siyuan J. Liu，Carmen Sandoval，Alex Pollen，Tom J. Nowakowski，Daniel A. Lim和Arnold Kriegstein。 。 生物信息学。 2016. doi：10.1093 / bioinformatics / btw201 目录 1.安装 SCell在64位Mac OSX，Windows和Linux下运行。 首先从以下位置下载适当的安装包： 以_web结尾的文件的初始下载量较小，但在安装过程中将下载更多文件。 那些没有_web结尾的东西已经捆绑了所有需要的东西。 下载完成后，双击安装程序，然后按照屏幕上的说明进行操作。 要调用Wi

RNA-seq数据分析实用方法, 介绍了RNA-seq分析的很多方法，比如edgeR，limma包等。

FineSplice是TopHat2的Python包装器，旨在可靠地从RNA-Seq数据中识别表达的外显子连接，从而提高了检测精度，而灵敏度损失很小。 使用已知的成绩单注释与TopHat2对齐后，FineSplice将生成的BAM文件作为输入，并输出一组带有相应读取计数的可信的拼接结。 通过基于逻辑回归的半监督异常检测策略，可以滤除由虚假对齐产生的潜在误报。 过滤后，具有唯一位置的多个映射读取将被抢救并重新分配到最可靠的候选位置。 FineSplice需要安装了以下模块的Python 2.x（> = 2.6）：pysam（http://code.google.com/p/pysam/）和scikit-learn（http://scikit-learn.org/） 。 有关更多详细信息，请查看我们的出版物：Nucl。 酸Res。 （2014）doi：10.1093 / nar / gku166

RNA-seq数据分析实用方法，包含了RNA-seq数据分析的各个方面。