TCGA数据集是转录组分析常用的数据库，从数据库中获取相应的数据集之后进行数据清洗过程相对麻烦，但同时也是最关键的一步，本资源是零基础入门转录组分析——数据处理（TCGA数据库）教程中配套的代码+原始数据+最终处理好的数据。 零基础入门转录组分析——数据处理（TCGA数据库）教程链接：https://blog.csdn.net/weixin_49878699/article/details/135373467?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22135373467%22%2C%22source%22%3A%22weixin_49878699%22%7D

银杏的寿命很长，其生长相对较慢。 但是，对该物种中与生长相关的基因知之甚少。 我们通过在转录组水平上开发多态性分子标记，将mRNA测序（RNA-Seq）与大量分离子分析（BSA）结合起来，精细绘制重要的农艺性状基因。 在这项研究中，对银杏半同胞家族的高生长（GD）和低生长（BD）样品进行了转录组测序。 组装干净的读段后，检测到601个差异表达基因，其中513个被分配了功能注释。 单核苷酸多态性（SNP）分析鉴定出与GD和BD组中的119个基因相关的SNP； 这些基因中有58个带有注释。 与BD组相比，GD组中两个Homeobox-亮氨酸拉链蛋白基因上调。 因此，这些很可能与银杏的高生长有关。 这项研究提供了分子水平的数据，可用于未来生长计划的高生长银杏半同胞族种子选择。

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

CytoSPACE：scRNA-seq数据到空间转录组学数据的最佳映射 CytoSPACE是一种新颖的计算策略，用于在空间转录组（ST）测量可能包含多个细胞的贡献的情况下，将单细胞转录组分配给原位空间转录组数据。 我们的方法通过基于线性编程的优化例程将基于相关的成本函数最小化，从而解决了单个像元/点分配问题。 该存储库包含用于实现和评估我们的方法的代码以及一个应用该方法的案例研究。 我们方法的关键创新是： 与常规方法相比，CytoSPACE在单个细胞水平上解剖给定组织中细胞的空间组织。 由于我们的方法从scRNA测序数据中绘制了单个细胞，与可用的空间转录组学技术相比，每个细胞中都有大量的基因被测序，因此我们的方法显着改善了重建组织的基因覆盖率。 我们的方法不需要有关细胞类型和细胞状态的先验知识。 主要实现是作为Python 3软件包。 要查看SpatialDE的用法示例，请继续

颞脑表达 基于BrainSpan发育转录组数据分析时空大脑表达的脚本。 BrainSpan数据 单击下载RNA-seq数据（genes_matrix_csv.zip，62.2 MB）。 有关更多信息，请参阅。 文献资料 下载（与上述文件相同）。 在CONFIG.R输入正确的路径。 这是加载BrainSpan数据并控制将输出文件写入何处所需的。 转到src/目录。 运行R CMD BATCH read_rnaseq_data.R以加载和处理BrainSpan数据。 该脚本将生成两个带有BrainSpan数据的.RData文件（运行时间约为15分钟）。 执行分析 运行R CMD BATCH graphics_genes_temporal_trajectories.R以生成基因轨迹图。 运行R CMD BATCH statistics_prenatal-vs-postnatal-te

scNym-用于单细胞分类的半监督对抗神经网络 scNym是一个神经网络模型，用于根据单细胞分析数据（例如scRNA-seq）预测细胞类型，并从这些模型中得出细胞类型表示形式。 尽管细胞类型分类是主要的用例，但是这些模型可以将单个细胞概况映射到任意输出类别（例如实验条件）。 我们已经在Genome Research的最新论文中详细描述了scNym 。 如果您发现此工具有用，请引用我们的工作。 我们也有一个研究网站，介绍scNym简报- 用于单细胞分类的半监督对抗神经网络。 雅各布·金梅尔（Jacob C.Kimmel）和大卫·凯利（David R.Kelley）。 基因组研究。 2021. doi： ： BibTeX @article{kimmel_scnym_2021, title = {Semi-supervised adversarial neural networ

和声2 使用自动和手动方法注释单细胞转录组图谱 单细胞转录组学可以在一次实验中分析数千个细胞，并在广泛的组织和生物体中识别新的细胞类型、状态和动态。 已经开发了标准实验方案和分析工作流程来从组织创建单细胞转录组图谱。 本教程重点介绍如何解释这些数据以识别细胞类型、状态和其他生物相关模式，目的是创建带注释的细胞图。 在书面教程中，我们推荐了一个三步工作流程，包括自动细胞注释工具、手动细胞注释和验证。 讨论了经常遇到的挑战和应对这些挑战的策略。 涵盖了可用于每个步骤的软件工具和资源的指导原则和具体建议。 随附代码 为了使教程中的建议更易于访问，我们提供了一个 R 笔记本，可指导用户使用特定工具。 实际上，每个单细胞地图注释情况都会有所不同，并且可能不需要使用所有这些工具。 就本教程而言，这些工具利用公开可用的数据，涵盖基于参考和标记的自动注释、手动注释以及如何构建一致的集群注释集。 R Notebook 文件可以下载并在您自己的 RStudio 系统上运行。 这将允许您以自己的步调以交互方式运行这些步骤，同时完整运行该文件还会在您的系统上创建一个人类可读的 HTML 文件。 安装说明 此代

转录组测序分析流程

SynNetGen 用于创建随机动力学模型、布尔网络和图形的 MATLAB 工具箱。 该工具箱具有高度可扩展性，因此可以轻松添加其他方法以提供从布尔网络生成动态模型的其他方法，以及转换所有三种类型模型的其他方法。 安装 要求 包裹 测试版 需要 2014a 核心功能 2014a 将模型导出到 SBML 2014a 测试 ODE 模型的相等性 2.36.0 绘图 5.11.4 SBML 导入/导出 设置 安装所需软件 克隆仓库 git clone https://github.com/jonrkarr/SynNetGen.git 更改为 /path/to/SynNetGen 打开 MALTAB 运行安装程序 install(); 入门 说明了如何使用这个包： 创建一个随机的无符号无向图 随机化方向和符号以创建随机有符号有向图 将图形转换为随机布尔网络 将布尔网络转换为

基于Linux平台构建单细胞转录组病毒信息分析系统.pdf