18

招聘全球宣讲行程规划师

这是一个我也不知道该招聘什么样的人才的招聘通知!

生信技能树的粉丝都知道,**2019是我们的巡讲和宣讲元年**,是我们用实际行动来身体力行的推进生物信息学的发展,这一年我们从繁华的北上广深杭,一路狂奔到了祖国西南部的成都、重庆及西部的西安,从华北地区的天津、呼和浩特,再到华中地区的武汉、长沙、郑州,都有我们的身影! Continue reading

18

在seurat3里面计算线粒体基因含量的2个方法

首先构建10x对象,这里就不赘述了,我在单细胞天地的2个教程:

  • 使用seurat3的merge功能整合8个10X单细胞转录组样本
  • seurat3的merge功能和cellranger的aggr整合多个10X单细胞转录组对比
    展示的非常清楚啦,因为每个教程想说明的情况不一样,所以需要重新把计算线粒体基因含量讲解一下。
    为了维持教程的统一性,我这里一直使用 sce 来代表构建好的seurat对象。

    第一种方法

    因为计算某些基因含量这个需求实在是太常见了,所以特意设置了一个函数:PercentageFeatureSet

    sce <- CreateSeuratObject(Read10X('../scRNA/filtered_feature_bc_matrix/'), "sce")
    head(sce@meta.data)
    GetAssayData(sce,'counts')
    sce[["percent.mt"]] <- PercentageFeatureSet(sce, pattern = "^MT-")
    VlnPlot(sce, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)
    

    这样就可以可视化我们计算好的线粒体基因含量,下图可以看出需要最起码的过滤。
    image-20191008172956194
    一般来说,这个过滤起码得是线粒体基因含量占比25%以下的细胞才保留,当然也得考虑到生物学课题啦。

    第二种方法

    上面的方法是修改 sce[[“percent.mt”]] ,下面我们演示 AddMetaData 函数,同样是可以增加线粒体基因含量信息到我们的seurat对象。

    mt.genes <- rownames(sce)[grep("^MT-",rownames(sce))]
    C<-GetAssayData(object = sce, slot = "counts")
    percent.mito <- Matrix::colSums(C[mt.genes,])/Matrix::colSums(C)*100
    sce <- AddMetaData(sce, percent.mito, col.name = "percent.mito")
    sce[["percent.mito"]]
    

    也可以是添加核糖体基因含量

    rb.genes <- rownames(sce)[grep("^RP[SL]",rownames(sce))]
    percent.ribo <- Matrix::colSums(C[rb.genes,])/Matrix::colSums(C)*100
    sce <- AddMetaData(sce, percent.ribo, col.name = "percent.ribo")
    

    如下所示,可以看到部分细胞的核糖体基因含量也过高,至于过滤的指标,大家需要看文章啦!
    image-20191008173259017
    也可以是免疫球蛋白相关基因含量等等,取决于大家的生物学课题啦。

18

义诊

朋友圈医务工作者不少,经常看到各个疾病方向的义诊通知,各大城市均有,很佩服大家,而且我表示实名羡慕。虽然我不是学医的,但是也可以从另外一个层面帮助一下大家,我也来一个义诊,那就是我们生信技能树最擅长生物信息学方面的“义诊”啦! Continue reading

17

前面我们分享的3天单细胞培训是有免费的配套教学视频的

上个星期我们在单细胞天地公众号推出了: 单细胞至少得培训3天及以上,如何鉴别好的培训班 非常受大家欢迎,实力避免大家踩坑,很多粉丝表示仍然是没有看出来Single cell RNA-seq data analysis with R课程全套资料在哪,其实得批评,我给了关键词 《Single cell RNA-seq data analysis with R》 Continue reading

17

批次效应不得不防

在最近的生信技能树推文里面我提出来了一个开放性问题 你确定你的差异基因找对了吗? 指出来了,文章的转录组数据的60个样品并没有按照毒品上瘾与否这个表型来区分,而是不同人之间的异质性非常高,这个时候我提出来了一个解决方案,就是理论上就可以把人当做是一个批次效应,使用北京大学李程课题组开发的sva包的combat函数,把这样的效应去除一下,接着再找差异。 Continue reading