Le workflow single-cell RNA-seq canonique en R, de bout en bout sur le jeu de données 10x pbmc3k avec Seurat : chargez et contrôlez la matrice de comptage, normalisez et trouvez les gènes variables, regroupez et visualisez avec UMAP, puis trouvez les gènes marqueurs et annotez les types cellulaires. Commencez par Charger & CQ.
Apprendre › Bioinformatique › Single-Cell
Le single-cell RNA-seq mesure l’expression des gènes une cellule à la fois, si bien qu’une seule expérience peut résoudre les différents types cellulaires présents dans un tissu. Cette série parcourt le workflow canonique de bout en bout sur le jeu de données pbmc3k — environ 2 700 cellules mononucléées du sang périphérique de 10x Genomics — en vous menant d’une matrice de comptage brute à une carte étiquetée des types cellulaires que vous pouvez mettre dans un article. Le moteur, du début à la fin, est Seurat, la boîte à outils single-cell standard en R.
Suivez-les dans l’ordre — chaque leçon reprend l’objet construit par la précédente :
Pour aller plus loin. Les études réelles s’arrêtent rarement à un seul échantillon. Dès que vous en avez plusieurs — traité vs contrôle, ou plusieurs donneurs — le levier multi-échantillons est l’intégration et la correction de l’effet de lot (aligner les types cellulaires partagés entre échantillons avec Seurat v5), suivie de l’expression différentielle inter-conditions, les analyses qui transforment une carte étiquetée en résultat biologique.
Demandez à Prova « pourquoi le single-cell RNA-seq regroupe-t-il sur les composantes principales plutôt que sur tous les gènes, et que change réellement le paramètre de résolution ? » — elle répond en s’appuyant sur du code Seurat exécutable que vous pouvez vérifier vous-même, sans baratin. The runtime is the judge. Demander à Prova →
@online{untitled,
author = {},
title = {Analyse single-cell RNA-seq en R},
url = {https://www.datanovia.com/learn/bioinformatics/single-cell/},
langid = {fr}
}