展开

关键词

多个单细胞数据集整合的另外一个选择conos

Conos R conos Nat. Methods Scanorama Python scanorama Nat. Biotech. 但是如果你选择:单细胞降维聚类分群的另外一个工具选择Pagoda2,其实也有一个配套的单细胞数据集整合的算法选择conos,让我们来一起看看吧。 它的GitHub官网是:https://github.com/kharchenkolab/conos,感兴趣的可以读一下: 其主要的步骤和函数如下所示: # Construct Conos object , where pl is a list of pagoda2 objects con <- Conos$new(pl) # Build joint graph con$buildGraph() 同样的构建Conos对象,并且整合,降维聚类分群,代码如下所示: ## 2.2 构建Conos对象 ---- con <- Conos$new(panel.preprocessed.seurat,

13530

Nat.Commun. | scGCN:用于单细胞组学知识转移的图卷积网络算法

图1. scGCN将标签从参考数据转移到查询数据的原理图概述 3 实验结果 ◆数据集内标签转移的性能 作者将scGCN与其他方法(Seurat v3、Conos、scmap和CHTAH)进行基准测试来评估 结果显示,scGCN的准确度得分(mean Acc=87%)始终高于Seurat v3 (mean Acc = 82.2%)和Conos (mean Acc = 82.3%),明显优于scmap (mean 基于四种跨物种数据集的scGCN方法的性能 ◆跨组学类型数据集标签转移的性能 最后,作者在不同组学类型的数据集上对scGCN、Seurat v3和Conos算法进行了测试,使用四个开放的可访问配对数据集 尽管scGCN算法性能全面优于四种常用算法(Seurat v3、Conos、scmap和CHTAH),它依旧可以从几个方面进行改善: scGCN有一些AI模型的局限性,包括AI模型的黑盒子性质。

46240
  • 广告
    关闭

    90+款云产品免费体验

    提供包括云服务器,云数据库在内的90+款云计算产品。打造一站式的云产品试用服务,助力开发者和企业零门槛上云。

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    多个单细胞转录组样本的数据整合之CCA-Seurat包

    10.1038/nbt.4096) 今天介绍这个 LIGER (https://doi.org/10.1101/459891) Harmony (https://doi.org/10.1101/461954) Conos

    6.6K51

    Seurat Weekly NO.13 || 依赖关系与维护

    scMappR" "Signac" "SignacX" "SoupX" $Suggests [1] "BisqueRNA" "clustree" "conos

    29210

    bioRxiv | 用于单细胞RNA-seq和ATAC-seq数据整合的转移学习

    就标签转移准确性而言,scJoint将84%的细胞分配到正确的类型,比Seurat和Conos高14%和13%(图2d)。 ? 从质量上来说,scJoint更高的整体准确率(77%,而Seurat为60%,Conos为55%)。

    72330

    scPhere——用地球仪来展示降维结果

    ., SAUCIE, scVI, LIGER, Seurat3 CCA, fastMNN, Scanorama, and Conos), which handle only one batch vector

    37230

    热点综述 | 按照分析套路,梳理一下癌症研究中的scRNA-seq计算方法...

    将这些特征在不同的数据集之间进行排列,使用排列的特征来识别细胞的集群(可解释为细胞类型),最后使用排列的特征和识别的集群作为二维可视化算法的输入,例如,MultiCCA、MNN Correct、Scanorama、Conos

    6410

    Nature Methods | 单细胞基因组图谱数据集成的基准测试

    在更复杂的集成任务中,SAUCIE、LIGER、BBKNN 和Seurat v3等方法倾向于消除批次效应而不是保护生物变异,但DESC和Conos与之相反,而Scanorama、scVI和FastMNN

    8710

    综述:高维单细胞RNA测序数据分析工具(下)

    Seurat、CONOS和Scanorama等数据集成方法也提供了细胞类型的自动分类方法。

    84221

    综述:高维单细胞RNA测序数据分析工具(上)

    关于这些数据集成方法的一个警告是,可能需要在减少批次效应的大小和解析细胞类型之间进行折衷;该参数可以在样本网络(CONOS)等方法中进行显式调优。

    1.1K21

    热点综述 | 高维单细胞RNA测序数据分析工具

    数据集成方法(如Seurat、CONOS和Scanorama等)也可提供细胞类型的自动分类。

    10620

    高维单细胞转录组数据处理最新(2020年3月)综述(万字长文)

    关于这些数据集成方法的一个警告是,可能需要在减少批次效应的大小和解析细胞类型之间进行折衷;该参数可以在样本网络(CONOS)等方法中进行显式调优。 Seurat、CONOS和Scanorama等数据集成方法也提供了细胞类型的自动分类方法。

    1.7K33

    相关产品

    • 云服务器

      云服务器

      云端获取和启用云服务器,并实时扩展或缩减云计算资源。云服务器 支持按实际使用的资源计费,可以为您节约计算成本。 腾讯云服务器(CVM)为您提供安全可靠的弹性云计算服务。只需几分钟,您就可以在云端获取和启用云服务器,并实时扩展或缩减云计算资源。云服务器 支持按实际使用的资源计费,可以为您节约计算成本。

    热门标签

    扫码关注云+社区

    领取腾讯云代金券