这里记录每周值得分享的生信相关内容,周日发布。
1、Science | 张泽民/季加孚/步召德等团队发表泛癌T细胞单细胞图谱
为更好地了解肿瘤浸润T细胞的全貌,揭示癌种间的共性和特殊性,研究团队对来自21种癌症类型316名患者的肿瘤、癌旁组织和血液样本进行了scRNA测序,获得了更多癌种的T细胞数据,包括骨髓瘤、淋巴瘤、肾癌、卵巢癌、子宫内膜癌、食道癌、甲状腺癌、乳腺癌、胃癌和胰腺癌等。同时,研究团队通过创新生物信息方法整合了已发表的scRNA-seq T细胞数据,构建了系统的单细胞水平泛癌T细胞图谱(图1),涵盖了397,810个高质量T细胞数据。
2、Nat. Biotechnol | 基于多维数据的深度融合,大幅提升空间转录组分辨率
空间转录组可帮助科研工作者在不破坏组织原有空间形态的前提下,从分子水平了解生物组织之间复杂的交互网络关系,探索关键因素与环境之间的响应和变化。为科研工作者提供了研究复杂多细胞生物在组织系统和组织互作的工具,使得全面了解组织水平的基因表达图谱成为可能。
目前,空间转录组研究的常用方法都存在局限性:基于原位测序(ISS)或杂交(ISH)的方法具有较高的分辨率和灵敏度,但通量有限,单次只能检测少数的基因,限制了其在探索全转录物相互作用时的通用性;基于原位捕获(ISC)的方法可以同时靶向所有带有poly(A)尾的转录本,但由于在组织水平的分辨率和灵敏度较低,对其应用和发展造成了限制。来自瑞典皇家理工学院(KTH)的Joakim Lundeberg教授研究团队提出了一种空间表达数据的深度生成模型,能够将ISC数据与高分辨率组织学图像结合,提升空间转录组的分辨率。
当整合来自多个批次的单细胞RNA测序(scRNA-seq)数据时,批效应校正被认为是必不可少的。最先进的方法忽略了单细胞聚类标签信息,但这些信息可以提高批次效应校正的有效性,特别是在生物差异与批次效应不正交的现实情况下。为了解决这个问题,我们提出了SMNN,通过监督互最近邻检测对单细胞RNA测序数据进行批量效应校正。我们在仿真和真实数据集的广泛评估表明,SMNN提供了跨批次相应细胞类型的改进合并,使MNN、Seurat v3和LIGER在跨批次分化减少。此外,SMNN保留了更多的细胞类型特异性特征,部分表现为经过SMNN校正后发现的细胞类型之间的差异表达基因在生物学上更相关,精度提高了高达841.0%。
1、R中的聚类分析:确定最优的聚类个数[6]
这是StackOverflow的一个帖子,讨论如何确定最优聚类个数的方法。
2、利用R介绍功效分析[7]
1、dittoSeq - 单细胞和大量RNA测序数据的色盲友好可视化 R包[8]
2、datapasta - 助力你粘贴数据的R包[9]
datapasta的作用是减少向R复制和粘贴数据的阻力。这是对我经常使用像Sublime这样的中间程序将文本转换成合适格式这一认识的一种回应。
例如,表格复制粘贴为Tibble:
3、ISO - helloSystem Live and installation ISO[10]
4、Playwright - Web测试和自动化的框架。它允许用一个API测试Chromium、Firefox和WebKit[11]
# Run from your project's root directory
npm init playwright@latest
# Or create a new project
npm init playwright@latest new-project
5、JuliaConnectoR - 从R调用Julia的面向函数的接口[12]
6、tidygate - 在用户绘制的窗口标记元素[13]
通过Tidygate,你能够使用鼠标框选元素并返回对应数据。
1、图书 - Scientific Visualization: Python + Matplotlib[14]
3、Python resources for everybody[15]