单细胞

Biomamba生信基地

纯生信挖掘+6个样WB，发表IF=10文章一、写在前面最近发现一篇“有点意思”的文章，来自北京大学口腔医学院、国家口腔医学中心的作者挖掘整合分析了多个GEO数据的微阵列、Bulk RNA-seq通过四种机器学习算法筛选了159个核心DEGs后通过GEO中的scRNA-seq、空转数据挖掘进一步确定SASH1的细胞与空间定位情况，补了六个样本的细胞系WB实验后，就水灵灵的在25年12月发在了《INTERNATIONAL JOURNAL OF SURGERY》这一IF=10.1的期刊上。

TCGA数据下载问题解决TCGA GDC数据库是我们下载公共转录组数据的重要途径，有需要的可以查看2024年TCGA基因表达数据下载(最新版)

2026从单细胞多样本整合的分析细节开始

2025最后一天--解析依赖于空间位置的互作细胞亚群及下游功能效应

开源scRNA Tools 2.｜利用 BayesPrism 剔除微环境背景并识别肿瘤亚克隆特征BayesPrism（Bayesian cell Proportion Reconstruction Inferred using Statistical Marginalization）是一款基于全贝叶斯推断的R包，专为解析**肿瘤微环境（TME）的复杂性而设计。该工具旨在通过统计边缘化方法，利用单细胞RNA-seq（scRNA-seq）数据作为先验参考，从大量RNA-seq（bulk RNA-seq）**样本中联合估计细胞类型的组成比例以及特定细胞类型的基因表达谱。

Seurat V5 结构树和基础整合pipelineSeurat V5 相较于 V4 版本引入了 Layer 架构，使得多样本整合分析更加灵活高效。但是导致目前存在的R包、函数各种混乱，我对于结构树和基础分析pipeline做了一点整理

Biomamba生信基地

用R语言画生信基地圣诞树~生信基地圣诞树~MERRY CHRISTMAS写在前面祝大家圣诞节快乐！Merry Christmas！愿大家在这冬日里邂逅所有美好与惊喜，科研顺利，文章多多~

空间转录组上游（Space Ranger）空间转录组（Spatial Transcriptomics, ST）技术在传统转录组与单细胞转录组的基础上，引入了空间位置信息，使研究者能够在组织结构背景下解析基因表达模式。相较于下游分析中对空间结构、生物学机制的深入挖掘，上游分析的核心目标在于：将测序原始数据转换为高质量、可用于空间建模和生物学解释的表达矩阵与空间坐标信息。

单细胞转录组分析流程十一（细胞通讯，cellchat，单样本）基于 CellChat v2.20在单细胞转录组数据中，每个细胞并不是孤立存在的，它们会不断通过分泌信号分子、表达受体等方式进行“交流”。这些交流就像细胞之间的“语言”，决定了组织如何维持稳态、免疫细胞如何启动反应、发育过程中细胞如何分化成不同谱系。

单细胞转录组分析流程十一（细胞通讯，cellchat，双（多）样本）在上一期中，我们已经完整讲解了 CellChat 在单样本中的使用流程，从数据准备、信号通路推断，到可视化展示细胞之间的交流方式。然而，在真实的生物医学研究中，最常见、最有价值的情境并不是单个样本，而是 —— 比较两类不同的生物状态在细胞通讯上的差异。

脚本测试--R版本 vs python版本的harmony整合效果比较

脚本复习--高精度空转（Xenium、CosMx）的细胞邻域分析（R版本）

单细胞空间联合分析新贵--iStar

培训计划--linux基础操作

脚本优化--visium的细胞niche与共定位(R版本)成分数据的根本问题

脚本更新--CosMx、Xenium的邻域通讯分析（R版本）

内容补充--空间转录组联合GWAS数据分析

华大时空组学空转图像处理

【论文阅读】SIMBA: single-cell embedding along with features（2）代码地址：https://github.com/pinellolab/simba当前大多数单细胞分析流程仅限于细胞嵌入，并且严重依赖聚类方法，而缺乏显式建模不同特征类型之间相互作用的能力。此外，这些方法往往针对特定任务进行定制，因为不同的单细胞问题通常以不同方式被提出。

【论文阅读】SIMBA: single-cell embedding along with features（1）代码地址：https://github.com/pinellolab/simba当前大多数单细胞分析流程仅限于细胞嵌入，并且严重依赖聚类方法，而缺乏显式建模不同特征类型之间相互作用的能力。此外，这些方法往往针对特定任务进行定制，因为不同的单细胞问题通常以不同方式被提出。