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

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

自适应阈值低秩近似（ALRA） 介绍 ALRA是一种在单细胞RNA测序数据中插入缺失值的方法，在提供的预印本“使用低秩近似法对scRNA-seq数据进行零保存插值”中进行。 给定一个scRNA-seq表达矩阵，ALRA首先使用随机SVD计算其rank-k近似值。 接下来，每一行（基因）都以该基因最负值的大小为阈值。 最后，矩阵被重新缩放。 该存储库包含用于在R中运行ALRA的代码。ALRA的唯一先决条件是安装随机SVD软件包RSVD，可以将其安装为install.packages('rsvd') 。 这些功能现在为已安装用户提供了一个标志use.mkl ，它可以大大加快基于默认rpca的版本的速度。 请注意，rpca-mkl仍在开发中，并且不在CRAN上，因此它不是必需的软件包，但是如果用户已经安装了rpca-mkl，则可以通过将该标志设置为True来使用它。 用法 请确保将矩阵为行，

TED（现称为BayesPrism） 使用统计边际化（BayesPrism）推断贝叶斯细胞比例重建：肿瘤微环境组成和基因表达的完全贝叶斯推断。 BayesPrism由反卷积模块和嵌入学习模块组成。去卷积模块利用来自scRNA-seq的细胞类型特异性表达谱，并实施完全贝叶斯推断，以根据肿瘤样品的大量RNA-seq表达共同估算细胞类型组成和细胞类型特异性基因表达的后验分布。嵌入学习模块使用期望最大化（EM）来使用肿瘤途径的线性组合来近似肿瘤表达，同时以反卷积模块估算的非肿瘤细胞的表达和分数为条件。 v1.1：添加了新功能，允许使用从scRNA-seq数据（例如，通过更精细的聚类）获得的细胞亚型/细胞状态信息，从而产生更细粒度的细胞类型，以更好地代表异质群体。它可以用来定义例如肿瘤微环境中的髓样或淋巴细胞群。 BayesPrism将计算这些子类型/状态的后验和。 v1.2：增加了功能cle

深度计数自动编码器可对scRNA-seq数据进行消噪 深度计数自动编码器网络使用具有零膨胀负二项式（ZINB）损失功能的深度自动编码器，通过考虑计数结构，数据的过度分散的性质和稀疏性来对scRNA-seq数据进行去噪并消除丢失的影响。 有关更多详细信息，请参见我们的和。 安装 点子 对于count自动编码器和所需软件包的传统Python安装，请使用 $ pip install dca conda 安装计数自动编码器和所需软件包的另一种方法是使用 （最容易通过）。然后运行以下命令。 $ conda install -c bioconda dca 用法 您可以从命令行运行自动编码器： dca matrix.csv results 其中matrix.csv是CSV / TSV格式的原始计数矩阵，其基因位于行中，单元格位于列中。细胞和基因标签是强制性的。 结果 输出文件夹包含主输出文件（代表Z

单细胞RNA-Seq分析 这个为期2天的课程将讨论从scRNA-seq实验获得的数据的计算分析。 贡献 我们欢迎您为改进本课程而做出的所有贡献！ 如果您在此过程中有任何疑问，疑虑或遇到任何困难，维护人员将竭尽所能为您提供帮助。 我们想请您熟悉我们的《 ，并查看有关正确格式，在本地呈现课程的方式，甚至如何编写新剧集的。 请参阅当前列表，以获取有关对此存储库做出贡献的想法。 为了做出您的贡献，我们使用GitHub流，这在一章中有很好的解释。 维护者 本课程的当前维护者是 作者 可以在“找到该课程的参与者列表 引文 要引用本课程，请向咨询

matlab贪婪算法代码短信中心 scRNA-seq的一种谱聚类方法 使用 computeKernel.m 计算内核 run.m 是主要入口。 selfweightmkl.m 由 run.m 调用，它自动为所有内核分配权重。 我们提供了一个关于 Yan 数据集的演示。 您只需要下载代码并设置正确的路径，然后运行run.m函数即可。 该项目中的文件夹包含 scRNA-Seq 表达数据和计算内核。 输入：data.m 输出：results.txt ** 聚类： FINCH：第一个整数邻居聚类层次（FINCH）算法 Matlab ：请进入您复制此文件夹的路径或将其路径添加到您的 Matlab 路径中。 [c, num_clust]= FINCH(data, initial_rank, verbose); 输入： 数据：数据矩阵（行中的特征向量） initial_rank [可选]：Nx1（1 个邻居）索引向量。 传递空 [] 以通过 pdist 或 flann 计算第一个邻居 详细信息：打印一些输出 输出： c: N x P 矩阵每个列向量包含每个分区 P 的簇标签 num_clust：显示

scRNA.seq.datasets：我们小组使用的公共scRNA-Seq数据集的集合

CellBender CellBender是一个软件包，用于消除高通量单细胞RNA测序（scRNA-seq）数据中的技术伪像。 当前版本包含以下模块。 将来将添加更多模块： remove-background ： 此模块从（原始）基于UMI的scRNA-seq计数矩阵中删除由于周围RNA分子和随机条形码交换引起的计数。 目前，仅支持由CellRanger count管道生成的计数矩阵。 将来会增加对其他工具和协议的支持。 在可以找到快速入门教程。 请参阅以获取有关使用CellBender的快速入门教程。 安装及使用 手动安装 推荐的安装方法如下。 创建一个conda环境并激活它： $ conda create -n cellbender python=3.7 $ source activate cellbender 安装模块： (cellbender) $ conda in

RSoptSC 更新 演示SoptSC 阅读的SoptSC文章 SoptSC也可作为一个MATLAB包 安装 install.packages( " devtools " ) library( devtools ) install_github( " mkarikom/RSoptSC " ) 特征 单个单元之间的单元间通信的推断 在统一的数学框架中整合多种分析：聚类，标记基因，伪时间和谱系推断 单元间相似度矩阵构建可改善聚类 基于NMF的标记基因鉴定 预测存在的簇数（通过相似性矩阵的eigengap属性） 伪时间中初始单元的预测 文献资料 提供了RSoptSC的完整详细信息和示例。