摘要: 写在前面 最近在处理百万级别的单细胞数据,由于默认的CPU跑地太慢了,转头去折腾rapid_singlecell,但发现,这包是真难装。于是,我就打算在OmicVerse里用Pytorch重写单细胞预处理的部分函数。如果有现成的就直接调用,例如torchdr就可以进行PCA的GPU加速。 此外,作为 阅读全文
posted @ 2025-06-08 11:48 Starlitnightly 阅读(498) 评论(0) 推荐(0)
摘要: 单细胞最好的教程(十八): 细胞类型映射到细胞本体论:让你的单细胞注释更专业! 细胞类型映射到细胞本体论:让你的单细胞注释更专业! 作者按 在单细胞数据分析领域,标准化的细胞类型注释对于数据整合和比较研究至关重要。本文将介绍如何使用Cell Ontology(细胞本体论)来规范化你的细胞类型注释,提高研究的可重复性和可比性。本教程首发于单细胞最好的中文教程,未经授权许可,禁止转 阅读全文
posted @ 2025-06-08 11:41 Starlitnightly 阅读(751) 评论(0) 推荐(0)
摘要: 第一作者解读|我们这篇Nature Communication背后的故事 2024年7月16日,大暑将至,立秋不远。我们基于Python的转录组学全分析框架的文章——"OmicVerse: a framework for bridging and deepening insights across bulk and single-cell sequencing"——正式在 阅读全文
posted @ 2024-07-23 15:57 Starlitnightly 阅读(1498) 评论(6) 推荐(6)
摘要: 引子 最近服务器内存老是爆掉,64G的内存对于四五个人同时使用还是有点勉强,上网查询了一下虚拟内存的教程,本博客记录一下方法。 swap内存设置 假设你想将swap文件放在/mnt/data/mem目录下,以下是详细的步骤: 创建并启用Swap文件 创建目录(如果目录不存在): sudo mkdir 阅读全文
posted @ 2024-06-23 20:55 Starlitnightly 阅读(1313) 评论(1) 推荐(1)
摘要: 全网最好看的单细胞umap图绘制教程 作者按 大家或许都曾被Nature, Science上的单细胞umap图吸引过,不免心生崇拜。在这里,我们将介绍一种简单方便的顶刊级umap图可视化 全文字数|预计阅读时间: 2000|5min ——Starlitnightly(星夜) 环境加载 我们先导入一些 阅读全文
posted @ 2024-06-22 17:47 Starlitnightly 阅读(6327) 评论(0) 推荐(0)
摘要: 在前面的教程中,我们介绍了使用omicverse完成基本的RNA-seq的分析流程,在本节教程中,我们将介绍如何使用omicverse完成加权基因共表达网络分析WGCNA以及蛋白质相互作用PPI分析。 环境的下载 在这里我们只需要安装omicverse环境即可,有两个方法: 一个是使用conda:c 阅读全文
posted @ 2024-06-21 15:08 Starlitnightly 阅读(806) 评论(0) 推荐(0)
摘要: Bulk RNA-seq 分析的一个重要任务是分析差异表达基因,我们可以用 omicverse包 来完成这个任务。在omicverse中,除了最简单的ttest外,在这里,我们介绍一种类似R语言中的Deseq2等包的模型来计算差异表达基因。 原教程地址:https://omicverse.readt 阅读全文
posted @ 2024-06-21 15:07 Starlitnightly 阅读(1729) 评论(0) 推荐(0)
摘要: Bulk RNA-seq 分析的一个重要任务是分析差异表达基因,我们可以用 omicverse包来完成这个任务。对于差异表达分析而言,首先,我们可> 以先将 gene_id 改为 gene_name。其次,当我们的数据集存在批量效应时,我们可以使用 DEseq2的 SizeFactor 对其进行归一 阅读全文
posted @ 2024-06-21 15:06 Starlitnightly 阅读(1632) 评论(0) 推荐(0)
摘要: 作者按 我们在Python的scverse生态中,重新实现了GPTCelltype的函数,并加入了更多大模型的扩展,同时我们并将其封装进OmicVerse框架中 全文字数|预计阅读时间: 2000|5min ——Starlitnightly(星夜) GPT-4 是一种专为语音理解和生成而设计的大型语 阅读全文
posted @ 2024-06-21 15:02 Starlitnightly 阅读(1095) 评论(0) 推荐(1)
摘要: 作者按 本章节详细讲解了基于RNA速率的三种拟时序模型,包括稳态模型,EM模型和深度学习模型,并对比了不同模型的适用场景与计算特点。本教程首发于单细胞最好的中文教程,未经授权许可,禁止转载。 全文字数|预计阅读时间: 5000|10min ——Starlitnightly(星夜) 5.2 RNA速率 阅读全文
posted @ 2024-06-20 14:27 Starlitnightly 阅读(1945) 评论(4) 推荐(0)