单细胞标准分析与注释脚本与数据

Seurat包介绍，它是用于单细胞转录组分析

先用相关函数读取数据，包里的Read10X()

1.预处理：性状标准化

pbmc<-ScaleData(pbmc)

2.找出：关键性状(高变基因）差异大的基因就是高变基因

pbmc<-FindVariableFeatures(pbmc,selection.method="vst",nfeatures=2000)设定2000个高变基因

plot<-VariableFeaturePlot(pbmc)

红色为高变基因

3.降维(因为2000个高变基因还是较多的，需要降维，减少高变基因，例如降低到10个高变基因代替这2000个高变基因。

pbmc<-RunPCA(pbmc,features=VariableFeatures(object=pbmc))

Dimplot(pbmc,reduction="pca") PC_1为第一主分析，PC_2为第二，重要程度上1>2，因为pc_1解释的权重更大。

PCA降维

pca：主成分分析，是一种降维技巧，将大量的相关变量转化为很少的无关变量，例如一群细胞，通过它的形状颜色等进行分为几大类。有两个细胞，很多个基因，把每个基因的测量结果绘制在图上，基因1在细胞1高度转录，在细胞2低转录·····，这就意味着这是两类不同的细胞，因为他们在使用不同的基因。上图为主成分分析图pca，pca图将细胞之间的相关性（或不相关）转化为2-D图，高度相关的聚集在一起，

Elbowplot(pbmc)#通过这个图，找到拐点，确定pca值为10，确定维度，分为10类

找拐点

4.进行聚类

数据进行降维后，在进行聚类分群

UMAP聚类

pbmc<-RunUMAP(pbmc,dims=1:10)

Dimplot(pbmc,reduction="umap")可视化

tSNE聚类

pbmc<-RunTSNE(pbmc,dims=1:10)

DimPlot(pbmc,reduction="tsne")可视化