Analysis 结果

:statue_of_liberty:count aggr reanalysis三个脚本的分析的CSV结果文件，被用来渲染Summary HTML。

1. 降维

在进行聚类之前，使用标准化后的feature-barcode矩阵进行PCA分析，来减少feature(gene)的数目，只有表达了的基因才会被用来进行PCA分析

• 第一步就是将每个细胞投影到N个组成份，默认N=10，使用reanalyze可以认为的定义这个N

  总共含有四个输出文件

  • project 投影文件

    每个barcode,也就是每个细胞在每个维度上的投影值

    Barcode,PC-1,PC-2,PC-3,PC-4,PC-5,PC-6,PC-7,PC-8,PC-9,PC-10
    AAACATACAACGAA1,-0.2765,-5.7056,6.5324,-12.2736,-1.4390,-1.1656,-0.1754,-2.9748,3.3785,1.6539

  • component** 贡献文件

    每个基因对每个组分的贡献

    PC,ENSG00000228327,ENSG00000237491,ENSG00000177757,ENSG00000225880,...,ENSG00000160310
    1,-0.0044,0.0039,-0.0024,-0.0016,...,-0.0104

• variance 变异解释比例

  例如将每个细胞在每个组成份中计算一个值，就是对应的坐标值，根据这个值来将数据进行重构，看是否能够代表原始数据；当变异解释读趋于平缓时u，增加PCA的数目不能够解释样本中的总变异

  随着主成分数目的增加，能够解释的变异程度也会减少

  PC,Proportion.Variance.Explained
  1,0.0056404970744118104
  2,0.0038897311237809061
  3,0.0028803714818085419
  4,0.0020830581822081206

• dispersion标准化文件

  记录了每个基因标准化后的表达水平

2. t-SEN

t-distributed Stochastic Neighbor Embedding (t-SNE) 用来将每个细胞映射到2维空间

3. Cluster

将具有相同表达模式的细胞进行聚类，聚类的方式有两种

• 基于图形进行聚类 Graph-based clustering

• 基于PCA的结果进行聚类

4. Differential Expression

​ 根据Barcode将每个细胞进行聚类