内容概要：本文详细介绍了如何使用COMSOL 6.1/6.2版本进行球形单细胞电穿孔的动态仿真。首先，文章解释了细胞电穿孔的基本概念及其在科学研究中的重要性，特别是孔密度和电导率这两个关键参数的意义。接着，文章逐步讲解了COMSOL仿真的具体操作步骤，包括模型建立、材料属性设定、物理场选择与设置等。此外，还特别强调了边界常微分方程的处理以及Bode分析的应用，展示了如何通过这些数学工具来优化电穿孔实验参数。最后，文章总结了该仿真工作的意义，即不仅帮助深入理解细胞电穿孔的物理机制，也为实际的生物医学实验提供了理论支持。 适合人群：从事细胞生物学、生物物理学及相关领域的研究人员和技术人员，尤其是对细胞电穿孔感兴趣的科学家。 使用场景及目标：适用于希望通过COMSOL软件进行细胞电穿孔仿真的科研工作者，旨在提高他们对该技术的理解并为其实际实验提供指导。 其他说明：文中提供的具体操作步骤和代码片段可以帮助读者快速上手，同时附带的一些高级技巧也有助于解决可能出现的问题。

本文介绍了如何使用scMetabolism包进行小鼠单细胞代谢激活分数分析。文章详细说明了从基因名转换到代谢分析的全过程，包括如何将小鼠基因名转换为人类基因名，以及如何适配Seurat v4/v5版本。此外，还提供了代码示例和参考链接，帮助读者更好地理解和应用这一分析方法。 在单细胞基因组学和转录组学的研究中，代谢分析是理解细胞生理状态及其在疾病中角色的重要环节。本文所介绍的scMetabolism包，是一个专门用于小鼠单细胞代谢数据处理和分析的工具。它允许研究人员从基因表达数据出发，进行单细胞层面的代谢激活分数分析。在这一过程中，scMetabolism包提供了从基因名转换的功能，这一功能至关重要，因为它涉及将小鼠基因名准确无误地转换为人类基因名，这对于使用人类代谢通路数据库进行分析时是必不可少的步骤。 Seurat是一个广泛使用的R包，用于单细胞RNA测序数据分析，而scMetabolism包特别适配了Seurat的v4和v5版本。这意味着研究人员可以使用Seurat的先进功能，同时结合scMetabolism包提供的代谢分析工具，以实现对单细胞数据的全面解读。文章中不仅详细描述了使用scMetabolism包进行单细胞代谢激活分数分析的步骤，还提供了相应的代码示例。这些代码示例对于初学者来说非常宝贵，因为它们不仅展示了如何操作scMetabolism包，也为如何使用R语言进行单细胞数据分析提供了参考。 通过阅读这篇文章，读者能够了解到在进行单细胞代谢研究时，如何利用scMetabolism包处理数据，并且能够掌握将数据导入Seurat进行进一步分析的方法。文章提供的参考链接也很有价值，它们可以引导读者访问到更多的相关资源和背景信息，从而加深对单细胞代谢分析的理解。 scMetabolism包的出现，为小鼠单细胞代谢研究带来了便利。它不仅提供了一套完整的分析流程，还通过代码示例和详细解释，使得研究人员能够更加有效地进行数据分析。这种分析方法对于理解细胞代谢活动在正常生理和病理条件下的变化至关重要，对于发现疾病相关的新标记物和治疗靶点具有重要意义。 随着单细胞技术的快速发展，利用scMetabolism包进行小鼠单细胞代谢激活分数分析，是推动单细胞代谢研究向前发展的有力工具。通过这种分析，研究人员可以更深入地探索不同细胞类型和状态下的代谢特征，为精准医疗和疾病模型的建立提供坚实的实验和理论基础。 scMetabolism包的发布和应用，展示了生物信息学领域中开源软件开发的活力。该软件包的开发，不仅体现了科研工作者对单细胞代谢研究的重视，也反映了当前生物信息学工具开发的专业性和实用性。未来，随着这一领域的不断拓展，类似的工具包将为生物学研究带来更多的可能性。

和声2 公用事业 使用 TCR 测序数据收集肿瘤浸润淋巴细胞单细胞实验 介绍 使用配对 TCR 测序组装公开可用的肿瘤浸润性 T 细胞 (TIL) 数据集的初衷是扩展和改进 R 包。 但是，经过一番讨论，我们决定为大家发布数据集，测序运行的完整摘要和样本信息可以在Seurat对象的元数据中找到。 该存储库包含用于数据集的初始处理和注释的代码（我们将此版本称为 0.0.1）。 这涉及几个步骤：1）加载相应的 GE 数据，2）通过样本和队列信息协调数据，3）通过自动注释进行迭代，4）通过手动检查和富集分析统一注释，以及 5）添加 TCR 信息。 此信息存储在 Seurat 对象的元数据中 - 每个变量的解释都可用。 队列信息 这是当前的数据源列表，通过组织类型过滤的细胞数量。 如果您使用实用程序，请引用数据！ 血液 尤斯塔 LN 普通的 瘤 癌症类型 添加日期 引文 CCR-20-4394 0 0 0 0 26760 卵巢 21 年 6 月 19 日 GSE114724 0 0 0 0 27651 胸部 21 年 6 月 19 日 GSE121636 12319 0 0 0 11436 肾

单细胞RNA测序（scRNA-seq）技术的发展，让研究者可以在细胞水平上探索生物学活动，有助于发现新的细胞类型和分析细胞间的相互作用。scRNA-seq数据中细胞类型的注释是一个关键且耗时的过程，其质量直接影响到后续的分析。准确地识别潜在的细胞类型，能够为发现新的细胞群体或识别已知细胞的新标记提供宝贵的见解，这些标记在未来的研发中可能会被利用。尽管已有多种种群注释的方法，最常用的方法之一是使用已知的细胞标记。CellMarker2.0数据库，一个经过人工审核的细胞标记物数据库，从已发表的文章中提取细胞标记物，广泛用于此目的。然而，它目前仅提供基于网页的工具，这在与Seurat等工作流程集成时可能会感到不便。为了解决这一限制，我们介绍了easybio，一个专为使用CellMarker2.0数据库与Seurat结合的单细胞注释流程设计的R包。easybio提供了一系列功能，用于本地查询CellMarker2.0数据库，为每个群集提供潜在细胞类型的见解。除了单细胞注释外，该包还支持包括RNA-seq分析在内的各种生物信息学工作流程，使其成为转录组研究的多功能工具。 细胞类型的准确识别对于许多下游分析至关重要。已经开发出多种单细胞注释方法，包括GPT-4、SingleR和CellMarker2.0等。SingleR方法是一种监督式方法，它依赖于参考数据集来保证准确性，但在处理时间上可能会有所耗费。为了提高注释的准确性，研究人员已经评估了这些方法的性能，结果显示CellMarker2.0数据库因其全面和准确的细胞标记集合，已成为常用工具之一。 easybio的设计初衷是简化单细胞注释流程，同时与Seurat等流行的单细胞分析工具集成，使得研究者能够更加高效地处理数据。该R包不仅提供了查询CellMarker2.0数据库的功能，还为用户提供了对数据集内每个群集可能细胞类型的深入见解。这使得研究人员可以在单细胞研究的早期阶段，就对细胞类型有充分的了解，进而指导后续实验和研究方向。 此外，easybio包不仅仅局限于单细胞注释，它还能够支持RNA测序分析等多种生物信息学工作流程。这意味着，该软件不仅可以用于单细胞研究，还可以作为分析转录组数据的多功能工具，极大地扩展了其应用范围和灵活性。通过easybio包，研究人员能够在一个软件包中完成多个步骤的工作，这不仅可以提高工作效率，而且可以确保分析结果的一致性和可重复性。 easybio的出现对于简化单细胞转录组数据分析流程，提高细胞类型注释的准确性和效率具有重要意义。它不仅优化了现有工具的不足，还提供了一个集成化、功能全面的解决方案，极大地促进了单细胞研究的进展和生物信息学研究的深入。

k-means聚类算法及matlab代码安全聚类 SAFE（来自Ensemble的单细胞聚合聚类）：单细胞RNA-seq数据的聚类集成 尽管最近已经开发出几种方法来使用单细胞RNA-seq（scRNA-Seq）数据对细胞类型进行聚类，但它们利用了数据的不同特征，并且在聚类数量和实际聚类分配方面均产生了不同的结果。 在这里，我们介绍了SAFE聚类，单细胞聚合（来自Ensemble）聚类，这是一种灵活，准确且可靠的聚类scRNA-Seq数据的方法。 SAFE聚类将多种聚类方法的结果作为输入，以构建一个共识解决方案。 SAFE聚类目前嵌入了四种最先进的方法，即SC3，CIDR，Seurat和t-SNE + k -means。 并使用三种基于超图的分区算法将这四种方法的解决方案整合在一起。 SAFE聚类由Yuchen Yang []和Yun Yun []维护。 新闻与更新 2020年9月7日 2.00版已发布 SAFEclustering中使用的Seuart版本已更新为版本3。Seuratv.2不再兼容 SAFE聚类仅接受计数数据。 其他格式，例如FPKM，CPM和RPKM不再兼容 2018年

康诺斯 Conos：在样本网络上聚类 什么是conos？ Conos是一个R包，用于将大量单细胞RNA-seq数据集组合在一起，从而既可以识别复发性细胞簇，又可以在多样本或Atlas规模集合中的数据集之间传播信息。 它着重于跨异构样本集合的同源细胞类型的均匀映射。 例如，用户可以研究来自癌症患者的数十种外周血样本的收集以及数十种对照，其中可能包括相关组织（如淋巴结）的样本。 它是如何工作的？ Conos应用了许多容易出错的方法中的一种来对齐集合中的每对样本，从而建立了加权的样本间单元间链接。 然后可以分析所得的联合图，以识别不同样品之间的亚群。 相同类型的单元格将倾向于在许多此类成对比较中相互映射，从而形成可以识别为簇（图社区）的集团。 Conos处理可以分为三个阶段： 阶段1：过滤和归一化使用标准软件包对样本面板中的每个单独的数据集进行过滤和归一化，以进行单数据集处理： pag

剑桥大学2018年单细胞转录组分析教程，包含数据过滤、序列比对、差异基因计算等R语言包、代码

scRNAseq-AML 急性髓细胞白血病数据集的单细胞分析

单细胞常规巴氏涂片图像数据集，数据库由4049个分离细胞图像组成，这些细胞图像是从巴氏涂片的966个群集细胞图像中手工提取的。（包含：im_Dyskeratotic im_Koilocytotic im_Metaplastic im_Parabasal im_Superficial-Intermed这个五类）

差异缺失分析 差异缺失分析可捕获单细胞RNA测序数据中的生物学变异 单细胞RNA测序数据的特征是具有大量的零计数，但是越来越多的证据表明这些零反映了生物变异而不是技术伪像。 我们提出了差异缺失分析（DDA），以鉴定单细胞RNA测序数据中生物变异的影响。 使用16个公开可用的模拟数据集，我们显示DDA可以准确地检测生物变异，并且可以比依赖计数的方法更可靠地评估转录本的相对丰度。 可从获得DDA。 可以在此处找到相关手稿图形的脚本，功能和源数据。 此外，从原始数据矩阵中的Seurat对象开始，描述了DDA的两个小插曲 可以在bioRxiv上找到手稿的预印本： ://doi.org/10.1101/2021.02.01.42929187 可以在一个闪亮的应用程序中交互式地浏览结果： : :