前面我们公布了《cytof数据资源介绍（文末有交流群）》，现在就开始正式手把手教学。
上一讲我们构造好了SingleCellExperiment对象，后续全部的分析都会以这个SingleCellExperiment对象为准，大家务必熟悉SingleCellExperiment对象的各种结构，教程见：cytofWorkflow之构建SingleCellExperiment对象（二）。有了这个SingleCellExperiment对象，而且经过了合理的质量控制，并且聚类分群了，就可以开始整理它亚群并且根据抗体信号强度值对不同亚群进行生物学注释。
前面我们公布了《cytof数据资源介绍（文末有交流群）》，现在就开始正式手把手教学。
上一讲我们构造好了SingleCellExperiment对象，后续全部的分析都会以这个SingleCellExperiment对象为准，大家务必熟悉SingleCellExperiment对象的各种结构，教程见：cytofWorkflow之构建SingleCellExperiment对象（二）。有了这个SingleCellExperiment对象，而且经过了合理的质量控制，接下来就可以进行聚类分群拉！
前面我们公布了《cytof数据资源介绍（文末有交流群）》，现在就开始正式手把手教学。
前面我们公布了《cytof数据资源介绍（文末有交流群）》，现在就开始正式手把手教学。
前面我们公布了《cytof数据资源介绍（文末有交流群）》，现在就开始正式手把手教学。首先是cytofWorkflow的解析，这个cytofWorkflow基本上涵盖了以FCS文件格式存放的cytof数据处理的方方面面，非常建议初学者从这个开始掌握cytof数据处理！
在单细胞大行其道的如今，也有不少课题组选择做cytof数据，全称是： Cytometry + Time Of Flight，是Fluidigm公司的产品，可以检测单个细胞的多个设定好的抗体的信号强度，这些抗体 对应的基因通常是目前科研界认识比较清晰的，可以用来分群的，而且该仪器可以一次性检测数十万单细胞，有点类似于靶向单细胞转录组测序。因为很多情况下，并不需要全部的基因的转录水平的信息。
Continue reading
前面我们已经完成了cytof数据处理的主要步骤，读入文件，质量控制，降维聚类分群，生物学注释和细胞亚群比例差异分析。 目录如下：
前面我们已经完成了cytof数据处理的主要步骤，读入文件，质量控制，降维聚类分群，生物学注释和细胞亚群比例差异分析。 目录如下：
前面我们已经完成了cytof数据处理的主要步骤，读入文件，质量控制，降维聚类分群，生物学注释和细胞亚群比例差异分析。 目录如下：
我有一个 免费视频课程《ChIP-seq数据分析》 ，其视频观看方式：
看到于2020年11月发表在杂志《nature cancer》的文章：《Mutations in BRCA1 and BRCA2 differentially affect the tumor microenvironment and response to checkpoint blockade immunotherapy》里面有基于10X的单细胞转录组测序数据，文献链接是：https://www.nature.com/articles/s43018-020-00139-8
Continue reading
不知道还有多少人记得上半年的活动：0元，10小时教学视频直播《跟着百度李彦宏学习肿瘤基因组测序数据分析》，可能是因为免费所以大家都不珍惜吧，实际上参加这个活动的人数还不到200 ，连一个微信群都装不满！！！
Continue reading
前段时间，我们分享了: 确实很吸引眼球，也引发了广泛的讨论，见：狼来了！聊个天就能做生信分析的人工智能是否要替代一大波生信人员？
Continue reading
前面我们分享了 你还缺乳腺癌表达量数据集吗，里面有34个数据集，然后热心的粉丝赶快留言了另外一个包：MetaGxBreast ，里面的数据集更多。同样的也值得介绍
粉丝来信求助，他感兴趣的一个数据集的芯片平台是：GE Healthcare/Amersham Biosciences CodeLink Human Whole Genome Bioarray，链接是：GPL2895
在教程 CNS图表复现08—肿瘤单细胞数据第一次分群通用规则，这个第一次分群规则是 ：
一般来说， 遗传变异位点注释软件我会介绍ANNOVAR和VEP，以及snpEFF，他们三个的引用是最多的。并不是说就他们3个软件可以做遗传变异位点注释啦，比较知名的还有GEMINI以及SeqAnt，也是萝卜青菜各有所爱哈。
Continue reading
数据挖掘的本质是把基因数量搞小，比如表达量矩阵通常是2万多个蛋白编码基因，不管是表达芯片还是RNA-seq测序的，采用何种程度的差异分析，最后都还有成百上千个目标基因。如果是临床队列，通常是会跟生存分析进行交集，或者多个数据集差异结果的交集，比如：多个数据集整合神器-RobustRankAggreg包 ，这样的基因集就是100个以内的数量了，但是仍然有缩小的空间，比如lasso等统计学算法，最后搞成10个左右的基因组成signature即可顺利发表。