丁立的博客 | LiDing Blog

2020-07-31-丁立的七月读书笔记

在阅读中探寻自己的迷执与迷途

2020.07.01 周三：我们常常会有一个错误概念，我们花出去的时间、耗费的精力、花费的金钱，并没有回报。但其实我们的时间、精力、注意力等，在某种意义上来说都是一种投资，并不是简单地花掉。投资行为最核心的特点，就是需要取得回报，并且最好是成倍的回报。投资这个思考角度会让你对于自己的人生使用得更加淋漓尽致。有条不紊地奋斗前行，舒展从容得恬静人生。处处有机会，就等于处处...

Posted by DL on July 31, 2020

2020-07-20-GWAS系列文章二

GWAS的分析基本流程及分析思路

参考资料：橙子牛奶糖的博客 1. 数据预处理（DNA genotyping、Quality control、imputation） QC的工作可以用PLINK完成，Imputation的工作可以用IMPUTE2完成。 2. 表型数据统计分析逻辑回归（表型数据为二元）线性回归（表型数据为连续性变量） ...

Posted by DL on July 20, 2020

2020-07-13-基于Salmon+DESeq2的转录组分析流程

实践生物信息学系列文章一

参考资料：实践生物信息学第一部分使用Salmon对RNA-seq测序数据进行定量 1.1 整体流程 1.2 基因定量工具-Salmon的优势定量时考虑到不同样品中基因长度的改变（比如不同isoform的使用）速度快，需要的计算资源和存储资源小敏感性高，不会丢弃匹配到多个基因同源区域的reads ...

Posted by DL on July 13, 2020

2020-07-07-R Graphics Cookbook读书笔记2

第三章-条形图

参考资料：R Graphics Cookbook, 2nd edition 第三章条形图（Bar Graphs）条形图可能是最常用的数据可视化类型。它们通常用于显示不同类别（在x轴上）的数值（在y轴上）。举例来说，条形图可以很好地显示四种不同商品的价格。但是，条形图通常不适合显示随时间变化的价格（因为时间是一个连续变量）。在制作条形图时，有一点需要意识到：条形图的...

Posted by DL on July 7, 2020

2020-07-02-R Graphics Cookbook读书笔记1

第一章-R语言基础和第二章-快速浏览数据

参考资料：R Graphics Cookbook, 2nd edition 第一章 R语言基础 1.1 软件及依赖包的安装 install.packages("tidyverse") install.packages("gcookbook") 1.2 加载R包 library(ggplot2) library(dplyr) library(gcookbook) 1...

Posted by DL on July 2, 2020

2020-06-23-GWAS系列文章一

GWAS入门前的Q&A

参考资料：Digital-LI 1.SNP的本质属性是什么？什么是allel frequency in population？ SNP是进化过程中随机产生的单点突变，并能稳定地在群体中遗传。其广义上讲是变异：most common type of genetic variation，平级的还有indel、CNV、SV。狭义上讲是标记：biological markers，应为...

Posted by DL on June 23, 2020

2020-06-18-单细胞测序系列文章八

单细胞转录组数据处理之细胞亚群比例比较

来源：单细胞天地这就是个性化分析阶段，这个阶段取决于自己的单细胞转录组项目课题设计情况，我们的介绍的各式各样的分析点，并不是通用的。比如如果要比较细胞亚群比例，就必须要有多个样本，如果是单个样本，可以看如下的教程：我的课题只有一个10x样本肿么办？两个样品的10x单细胞转录组数据分析策略三个10X单细胞转录组样本CCA整合多个单细胞转录组样本的数据整合...

Posted by DL on June 18, 2020

2020-06-16-单细胞测序系列文章七

单细胞转录组数据处理之细胞亚群继续分群

来源：单细胞天地其实理论上细胞亚群是可以无限划分的，因为世界上没有两个一模一样的细胞，关键是要把握一个度，什么样的差异可以判定为不同细胞亚群，什么样的差异是可以容忍的细胞类群内部异质性。有一个策略就是找出主要因素和次要因素。主要因素划分为主要亚群，比如外周血里面的T,B细胞当然是不同亚群，但是T细胞里面还可以继续划分：CD4或者CD8的T细胞，甚至继续划分，如下图所...

Posted by DL on June 16, 2020

2020-06-14-单细胞测序系列文章六

单细胞转录组数据处理之细胞亚群注释

来源：单细胞天地前面学习到单细胞转录组数据的降维聚类分群，基本上跑的都是标准代码，里面很多细节参数是需要自己慢慢摸索的。保证单细胞转录组表达矩阵质量ok啦，而且需要去除了各种混杂因素。因为参数需要自己摸索和调整，所以其实拿到细胞亚群数量是因人而异的，取决于你前面降维的程度，分群的算法和参数。不过最重要的是拿到了不同细胞亚群后需要对它进行命名，给出生物学的解释。不同的人...

Posted by DL on June 14, 2020

2020-06-12-单细胞测序系列文章五

单细胞转录组数据处理之降维聚类分群

来源：单细胞天地 1.降维聚类分群是一条龙分析我们并不是开发单细胞数据处理算法，所以大概率上，大家其实会把降维聚类分群一起做了，在seurat3里面的代码是： sce <- NormalizeData(sce, normalization.method = "LogNormalize", scale.factor = 10000) sce <- FindVari...

Posted by DL on June 12, 2020

LiDing Blog