1. 聚类分析(单样本/多样本)
-
利用Space Ranger和 Seruat 软件分别对spot 聚类分析,将spot聚类为不同cluster。
2. 筛选高变基因
-
Seurat 采用sctransform(SCT)算法对数据标准化处理,再通过vst
算法筛选出在整数据中表达变化最大的基因集,作为高度变异基因(high-variance genes,HVGs)
3. 差异表达分析
-
将各个cluster 鉴定到的top 差异基因利用热图展示。
4. 差异基因空间位置分布
5. 差异基因富集
-
对差异表达基因进行GO富集分析、KEGG 通路富集分析和Reactome富集分析。展示cluster富集热图、柱状图、散点图和网络连接图等结果。
6. spot 定义
-
Spot分群定义采用SingleR 和clustermole软件。SingleR 基于已知细胞类型的参考数据集,计算每个spot
与参考数据的相关系数(Spearman),选取评分较高的细胞类型的参考数据集,不断重复上述过程对细胞类型标签微调(fine-tuning),直到只有一种细胞类型为止。
Clustermole采用了GSVA 算法,计算细胞类型标记基因(markers)的GSVA 分值,选择分值较高的标签作为该spot 的细胞类型。
7. 轨迹分析
-
轨迹(trajectory)分析又叫拟时序(pseudotime)分析,在细胞重编程、组织发育及肿瘤进化等方面有广泛的应用。根据spot之间基因表达模式的相似性,沿着轨迹对spot排序,模拟spot内细胞动态变化的过程。J9九游会采用monocle2
进行轨迹分析。
8. 受配体分析
-
生物体中,细胞与细胞之间不是独立存在的,通过
“信号”传输来进行“沟通”。细胞之间沟通的一种重要方式就是配体和受体的相互作用,因此通过已知的配受体对在spot间的表达来评估细胞间的交流,即细胞通讯。J9九游会采用Cellphonedb
进行细胞通讯分析。
9. 拷贝数分析
-
拷贝数变异(copy number
variation)是肿瘤细胞的重要的特征。J9九游会采用inferCNV软件分析spot的拷贝数,发现发生大片段的拷贝数变异的基因的spot。
10. 肿瘤特征分析
-
肿瘤在其发生发展中表现为不同的增殖、侵袭和转移能力,展现了肿瘤的异质性。对MSigDB
数据库收录的肿瘤特征富集分析,评估该特征或通路活性。利用GSVA 算法计算每个spot 的肿瘤特征(或通路)的分值,分析肿瘤特征分布的异质性和免疫微环境。
更多内容,可扫描侧边栏"一对一业务咨询"二维码添加科研服务经理咨询。
售后服务可联系侧边栏"在线客服"、电话400-6581585,或发送邮件至 service@novogene.com