你的位置:物联网软件开发要多少钱 > 联系我们 > 物联网软件开发公司 怎样整合多个单细胞数据集

物联网软件开发公司 怎样整合多个单细胞数据集

发布日期:2024-11-06 06:52    点击次数:126

学员暗意他在解决这个数据集(GSE152938)的时间,因为数据集里面是5个样品,然则唯有一个是平方组织的样品物联网软件开发公司,分组是抗拒衡的,是以需要长入其它数据集的平方组织,然则不知谈如安在r编程话语里面操作。

图片

数据集(GSE152938)

如下所示的数据集(GSE152938)文献口头 :

图片

文献口头

关于这个数据集(GSE152938),不错使用底下的代码进行批量读取哈:

dir='GSE152938_RAW'samples=list.files( dir )samples sceList = lapply(samples,function(pro){   # pro=samples[1]   print(pro)    tmp = Read10X(file.path(dir,pro ))   if(length(tmp)==2){    ct = tmp[[1]]   }else{ct = tmp}  sce =CreateSeuratObject(counts =  ct ,                          project =  pro  ,                          min.cells = 5,                          min.features = 300 )  return(sce)}) do.call(rbind,lapply(sceList, dim))sce.all=merge(x=sceList[[1]],              y=sceList[ -1 ],              add.cell.ids = samples  ) names(sce.all@assays$RNA@layers)sce.all[["RNA"]]$counts # Alternate accessor function with the same resultLayerData(sce.all, assay = "RNA", layer = "counts")sce.all <- JoinLayers(sce.all)dim(sce.all[["RNA"]]$counts )

学员给了一个平方东谈主的肾脏组织数据集(GSE131685),同期咱们读取它,如下所示的文献口头:

图片

数据集(GSE131685)

亦然相似的读取边幅:

dir='GSE131685_RAW/outputs/'samples=list.files( dir )samples 

上头的这两个数据集走咱们给人人的圭臬代码后各自沉寂的降维聚类分群,就会有  2-harmony/sce.all_int.rds 文献夹和文献。

苏明快乐8第2024181期9次012路分析

app开发

然后就不错使用底下的代码,兼并两个数据集:

GSE131685 = readRDS('../2020-GSE131685-3个平方东谈主的肾单细胞/2-harmony/sce.all_int.rds') GSE131685$study = 'GSE131685'table(GSE131685$orig.ident)GSE152938 = readRDS('../2021-GSE152938-肾癌/2-harmony/sce.all_int.rds')GSE152938$study = 'GSE152938'table(GSE152938$orig.ident)sceList = list(  GSE131685 = CreateSeuratObject(    counts = GSE131685@assays$RNA$counts  ),   GSE152938 = CreateSeuratObject(    counts = GSE152938@assays$RNA$counts  ))sce.all=merge(x=sceList[[1]],              y=sceList[ -1 ],              add.cell.ids = c('GSE131685','GSE152938')  ) names(sce.all@assays$RNA@layers)sce.all[["RNA"]]$counts # Alternate accessor function with the same resultLayerData(sce.all, assay = "RNA", layer = "counts")sce.all <- JoinLayers(sce.all)dim(sce.all[["RNA"]]$counts )

不错看到这两个数据集齐有不同数目的样品,物联网app开发兼并后便是一个大的对象了:

> table(GSE131685$orig.ident)kidney1 kidney2 kidney3    6856    5134   10532    > table(GSE152938$orig.ident)ccRCC1 ccRCC2  chRCC Normal   pRCC   9478   9317   5187   1395  11395   > table(sce.all$orig.ident) GSM4145204 GSM4145205 GSM4145206 GSM4630027 GSM4630028 GSM4630029 GSM4630030 GSM4630031       6856       5134      10532      11395       9478       9317       5187       1395   

这个兼并后的对象虽然是不错络续走咱们给人人的圭臬代码后各自沉寂的降维聚类分群啦。(

迷惑: https://pan.baidu.com/s/1pKEnPmWXi-pTab0WZUWzgg?pwd=a7s1

)

是以,表面上使用这个妙技是不错解决无穷多个不同起原的单细胞转录组数据集啦,而况无需惦记人人的文献四肢的问题,归正每个数据集齐我方的里面解决好,然后外部构建成为sceList兼并即可。

文末友情宣传

热烈提议你推选给身边的博士后以及年青生物学PI物联网软件开发公司,多少量数据明白,让他们的科研上一个台阶:

生物信息学马拉松讲课(买一得五) ,你的生物信息学初学课月薪两万找生信熟悉生(线下) 2024的分享就业器交个一又友福利价仍然是800千呼万唤始出来的独享生物信息学云就业器恒久免费的生信进阶培训(线下) 本站仅提供存储就业,统统本体均由用户发布,如发现存害或侵权本体,请点击举报。