爾云間? 一個(gè)專門做科研的團(tuán)隊(duì)

原創(chuàng)?小果?生信果

歡迎點(diǎn)贊+收藏+關(guān)注

你知道有一個(gè)工具可以幫助你分析腫瘤單細(xì)胞的轉(zhuǎn)錄組嗎？甚至這個(gè)工具可以直接幫你生成分析報(bào)表嘛？今天小果就帶大家來(lái)認(rèn)識(shí)這個(gè)操作簡(jiǎn)單，效率又極高的R工具包，學(xué)會(huì)后可以直接成為你的分析助理哦！現(xiàn)在大家就跟著小果一起來(lái)看看吧！

安裝scCancer

是的沒(méi)錯(cuò)，今天要帶大家認(rèn)識(shí)并學(xué)習(xí)的R工具包就是scCancer，首先讓我們來(lái)一起學(xué)習(xí)下如何安裝吧！小果在這里整理了兩種安裝方法，各位同鞋根據(jù)自己的情況自行選擇下載哦！

通過(guò)Bioconductor下載

直接通過(guò)Bioconductor下載的同學(xué)要注意啦！這樣下載對(duì)你的R版本是有要求的哦，如果版本不匹配會(huì)報(bào)以下錯(cuò)誤信息，小果第一次在下載的時(shí)候就遇到了這樣的問(wèn)題。

所以，小果有找到一種更不容易出錯(cuò)的下載方法：

通過(guò)github下載

這里小果溫馨提示，通過(guò)gihub下載之前要通過(guò)github先下載好NNLM包哦，不然下載scCancer包的過(guò)程也會(huì)報(bào)錯(cuò)導(dǎo)致無(wú)法正常完成下載哦！

scCancer自動(dòng)生成腫瘤細(xì)胞分析報(bào)表

下載單樣本數(shù)據(jù)

在進(jìn)入我們帶的分析流程之前，小果為大家貼出以下數(shù)據(jù)連接作為我們分析的參考數(shù)據(jù)：http://lifeome.net/software/sccancer/KC-example.tar.gz

同學(xué)們趕緊跟著小果一起下載起來(lái)吧！~~~

下載好后，同學(xué)們要把這些數(shù)據(jù)解壓在自己合適的工作目錄下哦，并打開(kāi)我們的數(shù)據(jù)文件夾，下面小果來(lái)帶著大家一起認(rèn)識(shí)一下這些數(shù)據(jù)的主要內(nèi)容吧！

首先，我們下載的數(shù)據(jù)均為單樣本數(shù)據(jù)，其中raw_feature_bc_matrix代表過(guò)濾前的單細(xì)胞表達(dá)數(shù)據(jù)，filtered_feature_bc_matrix 代表過(guò)濾后的單細(xì)胞表達(dá)數(shù)據(jù)。

開(kāi)始分析

現(xiàn)在我們完成了R包的安裝和數(shù)據(jù)集的導(dǎo)入，小果要告訴你的是，其實(shí)我們已經(jīng)完成了一大部分工作，因?yàn)閟cCancer可以自己完成腫瘤細(xì)胞的全分析流程，并為我們生成完整的分析報(bào)表在我們的結(jié)果目錄中，我們接下來(lái)要做的就是配置所有的數(shù)據(jù)合保存路徑即可，接下來(lái)我們一起來(lái)看一下如何操作吧！

以上的操作我們是基于runScStatistics 來(lái)計(jì)算QC過(guò)濾指標(biāo)，scCancer會(huì)幫助我們生成完整的報(bào)表，整個(gè)分析流程大概序列要2~3分鐘左右。

最后可以在結(jié)果文件中找到report-scStat.html查看所有分析結(jié)果，是不是特別簡(jiǎn)單高效！

在最后的報(bào)表中，我們可以看到對(duì)腫瘤細(xì)胞中的腫瘤微環(huán)境分析、惡性細(xì)胞評(píng)估、細(xì)胞周期評(píng)估、干細(xì)胞特征評(píng)估、基因集信息得分評(píng)估、表達(dá)程序識(shí)別、細(xì)胞間相互作用分析等信息，同學(xué)們只要從中提取對(duì)自己的研究有用的信息即可！

部分報(bào)表展示

好啦，今天的小工具你學(xué)會(huì)了嘛？

更多生信工具的學(xué)習(xí)敬請(qǐng)繼續(xù)關(guān)注小果哦??！

往期代碼：

【1】lncRNA的拷貝數(shù)變異下游相關(guān)分析
【2】R可視化：ggstatsplot包—科研界的美圖秀秀
【3】隨機(jī)森林算法用于分類預(yù)測(cè)和篩選診斷標(biāo)志物
【4】基于本地Java版GSEA的輸出結(jié)果整合多個(gè)通路到一張圖
【5】基于嶺回歸模型和基因表達(dá)矩陣估算樣本對(duì)藥物反應(yīng)的敏感性
【6】基于R包NMF對(duì)樣本進(jìn)行分型分析
【7】DALEX包用于探索、解釋和評(píng)估模型；分析不同特征變量對(duì)響應(yīng)變量的影響
【8】根據(jù)腫瘤突變負(fù)荷TMB進(jìn)行KM生存分析尋找最佳的cutoff
【9】基于單樣本富集分析算法評(píng)估組織中的免疫細(xì)胞浸潤(rùn)水平
【10】代碼分享│什么？你還在用散點(diǎn)圖來(lái)可視化數(shù)據(jù)之間的相關(guān)性
【11】代碼分享│診斷列線圖、校準(zhǔn)曲線、決策曲線和臨床影響曲線的構(gòu)建
【12】代碼分享│你了解基因的動(dòng)態(tài)變化模式嗎
【13】代碼分享│生物信息分析之SCI熱門圖表-復(fù)雜熱圖
【14】代碼分享│生物信息分析之SCI熱門圖表-火山圖
【15】代碼分享│生物信息分析之SCI熱門圖表-箱型圖和小提琴圖
【16】代碼分享│深度學(xué)習(xí)-人工神經(jīng)網(wǎng)絡(luò)（ANN）的構(gòu)建
【17】代碼分享│R可視化：高分文章繪圖之基于RCircos包的多類型圈圖繪制
【18】代碼分享│R可視化：基因與功能之間的關(guān)系--GO功能富集網(wǎng)絡(luò)圖繪制
【19】代碼分享│生物信息分析之SCI熱門圖表—KM曲線和tROC曲線
【20】代碼分享│R可視化：腫瘤預(yù)后模型之Cox回歸分析后用R語(yǔ)言繪制森林圖
【21】代碼分享│生物信息分析之SCI熱門圖表—相關(guān)性熱圖和散點(diǎn)圖
【22】代碼分享│生信分析之R語(yǔ)言分析相關(guān)性及可視化的N種風(fēng)格
【23】代碼分享│TCGA數(shù)據(jù)獲取有困難，不會(huì)預(yù)處理，學(xué)習(xí)起來(lái)
【24】代碼分享│機(jī)器學(xué)習(xí)-支持向量機(jī)遞歸特征消除（SVM-RFE）的構(gòu)建
【25】代碼分享│R可視化：對(duì)兩個(gè)矩陣進(jìn)行相關(guān)性可視化分析
【26】GEO數(shù)據(jù)庫(kù)多數(shù)據(jù)集差異分析整合利器RRA，再也不用糾結(jié)去除批次效應(yīng)
【27】你與生信大佬的距離，只差2分鐘搞定預(yù)后模型構(gòu)建和性能評(píng)估
【28】9+SCI純生信，模型構(gòu)建中的“流量明星”，你不得不知的LASSO
【29】手把手教你畫美觀大氣的lasso回歸模型圖，為你的SCI增磚添瓦
【30】R可視化：clusterProfiler包做組間比較GO富集圖
【31】代碼分享|R可視化：復(fù)雜熱圖繪制技巧之熱圖中添加柱狀圖
【32】代碼分享——基于基因突變信息分析腫瘤突變負(fù)荷
【33】代碼分享│富集不到想要的通路？別放棄呀，試試GSEA
【34】代碼分享│還在用PCA做降維聚類嗎？最強(qiáng)降維模型tSNE--你值得擁有
【35】代碼分享│GSVA：原來(lái)功能通路也能做差異分析！
【36】代碼分享│Slingshot：你不知道的單細(xì)胞擬時(shí)序分析還有它
【37】基于基因功能注釋信息挖掘關(guān)鍵作用基因
【38】基于癌癥分類預(yù)測(cè)的標(biāo)志物特征提取的SVM-RFE分析代碼
【39】依據(jù)表型數(shù)據(jù)基于無(wú)監(jiān)督聚類算法對(duì)研究群體進(jìn)行分層聚類分析
【40】基于穩(wěn)健排序整合算法對(duì)多數(shù)據(jù)集進(jìn)行整合及可視化
【41】基于基因表達(dá)譜估算樣本免疫基質(zhì)評(píng)分和腫瘤純度
【42】自動(dòng)化繪制LASSO算法回歸模型圖
【43】用于臨床診斷和臨床決策影響的DCA分析
【44】基于樣本預(yù)后生存信息和臨床因素用于評(píng)價(jià)不同模型的一致性指數(shù)軟件
【45】用于探索、解釋和評(píng)估模型的DALEX殘差分析軟件
【46】基于細(xì)菌群落功能豐度結(jié)果進(jìn)行差異功能分析及可視化
【47】基于基因差異分析結(jié)果繪制其在染色體上的分布
【48】利用逐步回歸法篩選特征基因構(gòu)建Cox風(fēng)險(xiǎn)模型分析
【49】基于Immune Subtype Classifier進(jìn)行腫瘤免疫亞型分類
【50】不同物種之間的同源基因名稱轉(zhuǎn)換分析
【51】基于逐步多因素cox回歸篩選預(yù)后標(biāo)記基因并構(gòu)建風(fēng)險(xiǎn)評(píng)分模型
【52】基于表達(dá)信息挖掘與關(guān)注基因密切相關(guān)的基因
【53】基因組學(xué)基因名稱修正分析
【54】基于Spearman算法構(gòu)建關(guān)聯(lián)網(wǎng)絡(luò)
【55】基于線性建模方法對(duì)代謝組和轉(zhuǎn)錄組數(shù)據(jù)整合分析
【56】基于lasso回歸模型方法篩選特征基因
【57】基于線性建模方法對(duì)代謝組和轉(zhuǎn)錄組數(shù)據(jù)整合分析
【58】基于參數(shù)型經(jīng)驗(yàn)貝葉斯算法和支持向量機(jī)（SVM）篩選疾病亞型特征基因
【59】基于LDA(線性判別分析)算法的微生物biomarker的篩選
【60】基于R包xCell計(jì)算64種免疫細(xì)胞相對(duì)含量及下游可視化
【61】基于甲基化數(shù)據(jù)評(píng)估腫瘤純度及下游可視化
【62】基于DiffCorr包識(shí)別不同表型下的差異共表達(dá)關(guān)系對(duì)
【63】基于逆累計(jì)分布函數(shù)識(shí)別顯著偏差通路
【64】基于差異基因?qū)ν返挠绊懲诰蜿P(guān)鍵通路
【65】基于高通量數(shù)據(jù)的樣本相似性分析

需要以上代碼，私信小果哦！

立刻擁有一個(gè)Rstudio賬號(hào)

開(kāi)啟升級(jí)模式吧

（56線程，256G內(nèi)存，個(gè)人存儲(chǔ)1T）

“生信果”，生信入門、R語(yǔ)言、生信圖解讀與繪制、軟件操作、代碼復(fù)現(xiàn)、生信硬核知識(shí)技能、服務(wù)器、生物信息學(xué)的教程，以及基于R的分析和可視化等原創(chuàng)內(nèi)容，一起見(jiàn)證小白和大佬的成長(zhǎng)。