前言
一、「SCP」-超好用的单细胞测序数据处理工具 二、可视化学习圈子是干什么的？ 三、系统学习可视化 四、猜你喜欢
前言
我们的数据可视化课程已经上线啦！！目前课程的主要方向是 科研、统计、地理相关的学术性图形绘制方法，后续也会增加商务插图、机器学等、数据分析等方面的课程。课程免费新增，这点绝对良心！
我们第一个数据可视化交流圈子也已经上线了，主要以我的第一本书籍《科研论文配图绘制指南-基于Python》为基础进行拓展，提供「课堂式」教学视频，还有更多拓展内容，可视化技巧远超书籍本身，书籍修正和新增都会分享到圈子里面~~
参与课程或者圈子的你将获取到：学员答疑、可视化资源分享、可视化技巧补充、可视化业务代做(学员和甲方对接)、副业交流、提升认知等等。
「scplotter」-简单、高效的单细胞测序数据分析工具
最近，在给我们的R语言数据可视化课程新增内容时，发现了一个超赞可视化图表绘制工具-「scplotter」，它能够一键绘制出令人惊叹的出版级别的可视化作品，特别是单细胞 RNA 测序 (scRNA-seq) 数据的图形，下面就简单介绍一下吧~~
SCP 是什么？
SCP（Single-Cell Pipeline）是一个专为单细胞RNA测序（scRNA-seq）数据分析设计的R语言工具包。它的目标是为研究人员提供一个简便的分析管道，能够处理单细胞数据的从预处理到高级分析的整个流程。SCP包的设计注重于简化分析步骤，同时具有高度的灵活性和可扩展性，能够支持各种类型的单细胞数据分析任务。
SCP（Single-Cell Pipeline）包的主要特点
1. 「自动化单细胞数据分析流程」
SCP 提供了一个完整的、自动化的数据分析管道，从原始数据的预处理到下游的高级分析。其主要流程包括：
「数据输入」：支持读取多种单细胞数据格式，如矩阵格式、 SingleCellExperiment对象、Seurat对象等。「质量控制（QC）」：自动化的质量控制步骤，剔除低质量细胞和低表达基因，确保分析结果的可靠性。 「归一化」：对基因表达数据进行归一化处理（如TPM、CPM、RPKM等），消除不同细胞之间的技术差异。 「批次效应校正」：如果存在不同批次的数据，SCP可以使用如 ComBat、MNN等方法进行批次效应的校正。「降维与聚类」：提供PCA、t-SNE、UMAP等常见降维方法，并结合聚类算法（如K-means、Louvain等）对细胞进行分群，帮助揭示细胞的异质性。
2. 「便捷的细胞质量控制和筛选」
SCP 包包括了一些内置的质量控制步骤，用于筛选掉低质量的细胞和基因。具体来说，SCP可以：
计算每个细胞的基因表达量、转录本数、线粒体基因比例等质量指标。 基于这些质量指标，自动剔除那些具有异常数据的细胞（例如，基因数过低、线粒体基因比例过高的细胞）。 提供灵活的筛选条件，允许用户根据具体实验的需求定制质量控制标准。
3. 「灵活的降维和可视化工具」
SCP 提供了多种降维和可视化工具，帮助研究人员探索和理解单细胞数据。常见的降维方法如：
「PCA（主成分分析）」：通过线性降维揭示数据中的主要变化方向。 「t-SNE」：非线性降维方法，适合于将高维数据映射到二维或三维空间，便于细胞群体的可视化。 「UMAP（统一流形近似和投影）」：另一种非线性降维方法，能够更好地保持局部结构，适合大规模单细胞数据。
可视化功能不仅限于降维，还包括：
「热图」：用于展示不同基因在不同细胞群体中的表达差异。 「基因表达分布图」：可以显示特定基因在不同细胞群体中的表达模式。
4. 「细胞群体识别与聚类」
SCP 包含多种细胞群体分析工具，帮助研究人员从数据中识别细胞亚群：
「聚类分析」：结合降维结果， SCP提供了多种聚类算法，如K-means、Louvain（基于图的聚类方法）等，可以对细胞进行分群，揭示不同细胞类型或状态。「群体比较」：自动化差异分析，识别不同细胞群体之间的差异性基因，帮助发现标记基因。
5. 「差异表达分析」
在不同的细胞群体之间，SCP可以执行差异表达分析，识别那些在不同条件下显著变化的基因。SCP包支持多种差异表达分析方法，包括：
基于「非参数检验」（如Wilcoxon秩和检验）和「假设检验」的方法（如DESeq2）。 「基因富集分析」：差异表达基因常常与特定的生物学过程、细胞信号通路等相关， SCP提供了基因集富集分析，帮助进一步解释差异表达基因的生物学意义。
6. 「单细胞轨迹分析」
SCP 包支持单细胞轨迹推断，能够推测细胞的动态变化过程（如发育、分化等过程）。例如，SCP支持：
「Monocle」：用于构建单细胞轨迹，推断细胞在不同时间点或条件下的状态变化。 「Slingshot」：另一种用于单细胞轨迹推断的工具，可以帮助揭示细胞的发育路径。
7. 「多组学数据集成」
随着单细胞技术的多样化，SCP还支持将多种组学数据结合起来进行综合分析，如：
「单细胞RNA-seq与ATAC-seq结合」：可以将转录组数据与染色质开放性数据进行关联，揭示基因表达调控机制。 「多模态数据分析」：如将单细胞RNA-seq与蛋白质组数据结合，进一步揭示细胞内复杂的生物学过程。
8. 「扩展性与兼容性」
SCP包设计具有良好的兼容性，能够与其他流行的R包（如Seurat、SingleCellExperiment、edgeR、DESeq2等）进行互操作。研究人员可以根据需要灵活扩展功能，进行更加细致的分析。
安装
可通过如下方式进行安装：
remotes::install_github("pwwang/scplotter")
# or
devtools::install_github("pwwang/scplotter")
SCP包可视化案例
这一小节我们给出SCP包所能提供的可视化案例，详细的使用场景，大家可在该包的官网处进行查阅哈：
更多关于SCR工具包中的其他使用语法和绘图函数，感兴趣的同学可阅读：SCR工具包官网[1]
双十一期间，我的书籍《科研论文配图绘制指南基于Python》《科研论文配图绘制指南基于R语言》都有优惠活动，如下：
有需要的同学，前往别错过啦~~
更多好看的商业图表绘制案例，可以参与我们的商业图表绘制教程。
可视化学习圈子是干什么的？
可视化学习圈子是书籍「科研论文配图绘制指南-基于Python」一书的学下圈子：主要通过以下几个方面，给大家带来比纸质书籍更丰富的学习内容：
视频教学，和读者零距离互动交流 及时修正勘误和定期新增绘制知识点 拓展衍生，绘图知识点远超书籍本身 直播视频+拓展资料+答疑，学习更高效
「PS」：我们直播教学内容为课堂式教学，原作者带着大家对书籍一章、一节、一页的进行教学。而且直播的视频都会通过剪辑后整理成课程，圈子中的同学可以免费、反复观看。当然，新增内容和定期答疑，直播也是如此。
为何会有这个书籍学习社群？无门槛的微信群难免会鱼龙混杂，问题和质量都无法得到保证，而且一些关键问题经常被淹没，且没有沉淀价值。
随着添加我微信的人日益增多，向我提问的人也越来越多，随便回答一下就太不负责任了；不回答也不是很好；如果都仔细回答，我也有自己的工作并且确实很忙，真的有点心有余而力不足！所以我才会建立这么一个渠道来沉淀我的可视化技巧和分享经验，以及给大家提供一个坚持学习的平台。
微信扫码下方二维码即可参与我们的书籍学习圈子啦：
系统学习可视化
当然，在学习数据可视化的道路上，你也有很多问题得不到解答，也可以加入我们的可视化课程(可视化系列课程推文)后，在学员群里和大家一起谈论，一起进步，或者直接向我提问。如果我觉得你的问题很具有普适性，我会把它写成文章发布在公众号上，让更多人看到，有关我们数据可视化系列课程的服务内容，可以参考下面的 阅读原文。
猜你喜欢
SCR工具包官网: https://zhanghao-njmu.github.io/SCP/index.html。
