完整的单细胞分析通用流程——从数据到可视化
1、我们计算质量控制指标，以去除会干扰下游分析的低质量细胞。这些细胞在处理过程中可能已经损坏，或者可能没有被测序方案完全捕获。常用指标包括每个细胞的总计数，spike-in或线粒体reads的比例以及检测到的feature的数量。
2、数据可视化 数据可视化是一种直观、易懂的结果呈现方式，可以通过图表、地图等方式将分析结果呈现出来。
3、单细胞数据做pooling的好处：可以尽量的降低dropout的问题。(dropout就是矩阵中的zero，这些zero实际上并不是0，而是每个液滴里面起始反应量太低了。
4、一次完整的数据分析流程主要分为六个环节，包括明确分析目的、数据获取、数据处理、数据分析、数据可视化、提出建议推动落地 做任何事情都有其对应的目的，数据分析也是如此。
5、结果汇总：对分析结果进行汇总和总结，例如编写报告或制作演示文稿等。 异常值处理：处理异常值，例如通过去除或替换等方式。数据报告是指将分析结果进行汇总和展示，以支持决策和行动。
6、CellChat工作流程图：从Seurat对象直接创建： ：构建Cell Chat对象时，输入的是log后的数据。
时间序列的单细胞转录组数据分析
转录因子(TF)的调控活性可以通过将顺式调控序列与单细胞基因表达联系起来，以单细胞分辨率进行量化。通过scNT-Seq联合分析新的和旧的转录组，可以并行分析由外部刺激诱导的动态调控和与细胞特性相关的稳定调控。
拟时序分析，即根据不同细胞亚群基因表达量随时间的变化情况，构建细胞谱系发育，但这里的时间并不是真时间，而是一个虚拟的时间，是指的细胞与细胞之间的转化和演替的顺序和轨迹。
所谓的 transient 可以理解为时序数据在中间某一个时间点存在up 或者 down peak，即在某一个时间点存在表达的最大或者最小值；而所谓的 transient 可以理解为一个持续的变化，比如持续的升高或者持续的降低。
NBIS系列单细胞转录组数据分析实战(三):多样本数据整合
Seurat使用单细胞数据综合集成中介绍的数据整合方法，而Scran和Scanpy使用相互最近邻方法（MNN）。
单细胞转录组学已改变了我们认识细胞状态的能力，但对生物学的深入了解，整合多组学数据集以更好地理解细胞身份和功能。
样本选择：确保样本的一致性，尽量选择同一种细胞类型和相似的生理状态的细胞进行研究，以减少个体差异对结果的影响。技术优化：优化单细胞转录组测序的实验流程和分析方法，减少技术噪声的影响。
需要注意的是，从这里开始，后面的数据分析请指定assay为integrated，否则你还在用原始的RNA assay进行分析，等于没整合。
单细胞多样本整合：merge()；多样本拆分：SplitObject() 1 在做多组数据整合，每个组又有多个样本的时候，最好把单独的每个样本当成批次，而不是把不同的组当成批次。
它不仅可以校正实验的批次效应，还能跨平台整合数据，例如将10x单细胞数据、BD单细胞数据和SMART单细胞数据整合在一起；也能整合单细胞多组学数据，例如将单细胞ATAC、空间转录组与单细胞转录组数据整合在一起。
单细胞分析之细胞交互-3:CellChat
在CellChat中，我们还可以先择特定的信息描述细胞间的相互作用，可以理解为从特定的侧面来刻画细胞间相互作用，比用一个大的配体库又精细了许多。对表达数据进行预处理，用于细胞间的通信分析。
在比较多种生物条件下的细胞-细胞通信时，可以得知细胞通信是否增强；细胞类型显著变化之间的相互作用；不同条件下，source和target的变化 边的宽度表示交互的相对数量或交互强度。
为了简化复杂的网络，并深入了解细胞类型级别的细胞通信，我们可以根据定义的细胞群聚合细胞-细胞通信。在这里，我们将细胞群分为三种细胞类型，然后重新合并CellChat对象列表。
这个地方我看了一下，每个样本都是单独分析出来的结果，其实对于细胞通讯一直有一个争议，那就是先整合后再分析呢，还是单样本分析完了进行比较，不知道大家怎么看，Cellchat这里是建议分开做 CellChat从全局出发，以预测细胞间通信的一般原理。
将一对细胞之间的细胞-细胞相互作用向量定义为每个同源配体-受体对的表达值的几何平均值。
https：//github.com/ShellyCoder/cellcall 做细胞互作的工具很多，比如iTALK，Cellchat，CellphoneDB等，感兴趣的可以自己取探索下。
