ShinyCell包是由杜克-新加坡国立大学医学院的John F. Ouyang团队开发的单细胞分析工具包，实现基于shiny网页交互式展示单细胞数据；于2021年3月发表于Bioinformatics杂志。如文章中介绍，ShinyCell相比同类工具具有多个优势，例如直观的side-by-side的降维可视化方式，hdf5格式保存表达矩阵从而读取快速，支持pdf/png保存图片，支持多种常见单细胞数据类型等。参考其教程文档，学习记录如下。
因为纳入的数据集有点多，来源于12篇文章：232 single cell transcriptome samples (normal = 31; adjacent = 54; tumor = 148) ，分别来源于：
压降电压VDO，是指为实现正常稳压，输入电压VIN必须高出所需输出电压VOUT(nom) 的最小压差。
CXCL9:SPP1 macrophage polarity identifies a network of cellular programs that control human cancers.
文章标题：《The single-cell transcriptomic landscape of early human diabetic nephropathy 》
在LDO应用中，会有一个输入输出压差范围的概念，如AMS1117，压差Dropout Voltage的典型值为1.1V，即：输入至少比输出高1.1V的压降才能支持所需要的输出。
这个纯粹就是生物信息学领域的“马太效应”，大家都用monocle2做拟时序，所以后来者就简单的追随即可，而且绝大部分人其实并不关心算法细节，仅仅是为了做拟时序而做，那么就无所谓选择哪个软件了。我们也简单的展示了目前的可以做拟时序分析的软件的测评，详见：拟时序的多种算法大比拼（拟时序一本通03） 。但是，测评归测评，最终大家还是得使用monocle2做拟时序分析，所以不得不把重点放它的细节剖析上面，我们后面也会介绍一下其它软件和方法：
Harmony需要输入低维空间的坐标值（embedding），一般使用PCA的降维结果。Harmony导入PCA的降维数据后，会采用soft k-means clustering算法将细胞聚类。常用的聚类算法仅考虑细胞在低维空间的距离，但是soft clustering算法会考虑我们提供的校正因素。这就好比我们的高考加分制度，小明高考成绩本来达不到A大学的录取分数线，但是他有一项省级竞赛一等奖加10分就够线了。同样的道理，细胞c2距离cluster1有点远，本来不能算作cluster1的一份子；但是c2和cluster1的细胞来自不同的数据集，因为我们期望不同的数据集融合，所以破例让它加入cluster1了。聚类之后先计算每个cluster内各个数据集的细胞的中心点，然后根据这些中心点计算各个cluster的中心点。最后通过算法让cluster内的细胞向中心聚集，实在收敛不了的离群细胞就过滤掉。调整之后的数据重复：聚类—计算cluster中心点—收敛细胞—聚类的过程，不断迭代直至聚类效果趋于稳定。
因为这个Seurat的V5版本还是有一些优势的，比如可以轻轻松松拿捏这130万单细胞的数据集，需要参考Seurat官网的3个资料：
文档：https://cole-trapnell-lab.github.io/monocle3/docs/clustering/
其中第一层次降维聚类分群后给出来了合理的生物学命名，详见：肿瘤单细胞转录组的第一层次降维聚类分群， 整体来说这个复现的代码在百度云分享给大家：链接：https://pan.baidu.com/s/1niFqyAiUU3yXK1W26b8RvQ?pwd=nbmj
Hello小伙伴们大家好，我是生信技能树的小学徒”我才不吃蛋黄“。今天是胃癌单细胞数据集GSE163558复现系列第三期。第二期我们走了Seurat V5标准流程，利用harmony整合去批次后，按标准流程进行了降维聚类分群。本期，我们将在第二期基础上选择合适的分辨率，对细胞亚群进行注释。
需要准备一个标注好细胞类型的单细胞数据，这里选择seurat官方的pbmc3k数据：
首先是读入seurat对象和文章中的注释信息。sce.all_int.rds为按照生信技能树降维聚类分群代码流程得到的seurat对象。关于文章提供的细胞注释信息下载和整合详见推文：降维聚类分群的umap图真的重要吗
很容易整理它们后读取，常规的单细胞转录组降维聚类分群代码可以看 ：链接: https://pan.baidu.com/s/1bIBG9RciAzDhkTKKA7hEfQ?pwd=y4eh ，基本上大家只需要读入表达量矩阵文件到r里面就可以使用Seurat包做全部的流程。我们进行如下所示的第一层次降维聚类分群，可以看到每个单细胞亚群其实都还算是泾渭分明的：
组织内细胞异质性的基础是细胞转录状态的差异，转录状态的特异性又是由转录因子主导的基因调控网络（GRNs）决定并维持稳定的。因此分析单细胞的GRNs有助于深入挖掘细胞异质性背后的生物学意义，并为疾病的诊断、治疗以及发育分化的研究提供有价值的线索。然而单细胞转录组数据具有背景噪音高、基因检出率低和表达矩阵稀疏性的特点，给传统统计学和生物信息学方法推断高质量的GRNs带来了挑战。Single-cell regulatory network inference and clustering (SCENIC)是一种专为单细胞数据开发的GRNs算法，它的创新之处在于引入了转录因子motif序列验证统计学方法推断的基因共表达网络，从而识别高可靠性的由转录因子主导的GRNs。SCENIC相关的文章2017年首先发表于nature methods，2020年又将流程整理后发表于nature protocls。需要深入了解分析原理和流程的朋友可以参考这两篇文章：
PolarDB Serverless脱胎于 PolarDB 团队发表在SIGMOD 2021的论文，是选取其中成熟的技术最终产品化的结果。我们借助两大核心技术，高性能全局一致性SCC和热备无感秒切，无论在跨机扩展还是跨机切换，都达到了业界领先的能力。PolarDB MySQL Serverless于去年底正式上线，目前已经有1000+用户开始上手使用。本文期望从实践角度，演示如何测试PolarDB Serverless的弹性能力。
最近在实现 MetaProtocol 时阅读了 Envoy 相关的一些源码。这里将一些重要流程的时序图记录下来，以备后续查看。
单细胞数据中包含很多细胞以及很多基因，是一个较大的数据集，维度较大，需要对数据进行降维。降维就是对原始数据进行特征提取，经常会得到高维度的特征向量。通过降维的方式来寻找数据内部的特性，提升特征表达能力，降低模型的训练成本。
原文链接：https://www.elprocus.com/mosfet-as-a-switch-circuit-diagram-free-circuits/
这个肿瘤单细胞转录组拷贝数分析里面最经典的方法就是inferCNV啦，差不多五六年前我研究过它的玩法，就分享后再也没有修改过。但是最近听说参考我教程的小伙伴反馈说这个inferCNV做了一个非常大的更新，导致我前面的教程里面的对inferCNV的结果的解析代码是失效的。正好这次系统性更新一下它！
单细胞初级8讲和高级分析8讲 单细胞分析十八般武艺1：harmony 单细胞分析十八般武艺2：LIGER 单细胞分析十八般武艺3：fastMNN 单细胞分析十八般武艺4：velocyto
单细胞数据复现-肺癌文章代码复现1https://cloud.tencent.com/developer/article/1992648
数据库这个行业是越来越有意思，参与的PEOPLE 是人山人海，锣鼓喧天，鞭炮齐鸣。 商业数据库 ，开源数据库，国产的数据库， 云原生的数据库 ，云RDS 数据库，已经不是百花齐放的，是星空璀璨。
这两个数据集分别是人和鼠的SMC异质性探索的，文献标题是：《Single-Cell Genomics Reveals a Novel Cell State During Smooth Muscle Cell Phenotypic Switching and Potential Therapeutic Targets for Atherosclerosis in Mouse and Human》，可以看到GSE155513和GSE155512这两个单细胞转录组表达量矩阵是可以很好的整合：
MySQL性能压测或者基准测试看起来很简单，使用sysbench，tpcc工具跑跑拿到数据就好，其实压测是一个技术活儿，尤其是涉及到性能对比的测试，因为不同场景/不同厂商的产品的参数设置不同，测试的结果也不一样。如果不阐明具体的参数配置差异，直接给出压测结果可能给其他人带来误导。
好久没更了，今天写一下hdWGCNA吧，单细胞和空间转录组都能用到的高级分析。🧐
这个数据的研究目标是：To quantify ITH between cell lines, referred to as ICH (Inter-Cellular Heterogeneity), and investigate differences between IDC and ILC,：
说明 TLV62568 器件是一款同步降压 DC-DC 转换器，专门针对高效和紧凑型解决方案进行了优化。 该器件集成的，开关能够提供高达 1A 的输出电流。在中等负载或重载条件下， 该器件运行在脉宽调制(PWM) 模式下， 开关频率为 1.5MHz。 在轻载情况下， 该器件自动进入节能模式 (PSM)， 从而在整个负载电流范围内保持高效率。 关断时， 流耗减少至 2μA以下。TLV62568 的输出电压可通过一个外部电阻分压器进行调节。 内部软启动电路可限制启动期间的浪涌电流。 此 外， 还内置了 诸如输出过流保护、 热关断保护和电源正常输出等其他特性。
https://www.science.org/doi/10.1126/science.aam8940
1写在前面 当完成了对scRNAseq数据的Normalization和混杂因素去除后，我们就可以开始正式分析了。😘 本期我们介绍一下常用的聚类方法(clustering)，主要是无监督聚类，包括：👇 hierarchical clustering； k-means clustering ； graph-based clustering。 1.1 hierarchical clustering Raw data The hierarchical clustering dendrogram ----
LIGER能够跨个体、物种和方法(基因表达、表观遗传或空间数据)识别共有的细胞类型，以及数据集特有的特征，提供对不同单细胞数据集的统一分析。
苹果一直在尝试把iPad做成电脑，但效果始终不如真正的PC理想。如果能在iPad上运行PC软件，如完整版的Office，那一定是一种非常理想的方式。我小时候电脑启蒙使用的第一个软件就是Office 97里的Word，这也是第一款引入Office助手（大眼夹）的版本。为了纪念7岁就夭折的大眼夹，我决定让它在22年后的iPad Pro上复活。
TongRDS（简称 RDS）是分布式内存数据缓存中间件，用于高性能内存数据共享与应用支持。RDS为各类应用提供高效、稳定、安全的内存数据处理能力；同时它支持共享内存的搭建弹性伸缩管理；使业务应用无需考虑各种内存的复杂管理。
通过阿里云数据传输，并使用 dts-ads-writer 插件， 可以将您在阿里云的云数据库RDS for MySQL中数据表的变更实时同步到分析型数据库中对应的实时写入表中（RDS端目前暂时仅支持MySQL引擎）。 前提条件 您需要在您RDS for MySQL所在的云账号下开通阿里云数据传输服务。并 点击此处 下载dts-ads-writer插件到您的一台服务器上并解压（需要该服务器可以访问互联网，建议使用阿里云ECS以最大限度保障可用性）。服务器上需要有Java 6或以上的运行环境（JRE/JDK）。
是允许我们处理客户端数据的一系列服务的统称, 主要可以为公司节约计算机的硬件成本.
https://mp.weixin.qq.com/s/UsDC-t1j7NHaLTnI6xCATQ
客户需要将华为云rds for MySQL和天翼云rds for MySQL做一个双向同步，当华为云rds宕机的时候，可以切换到天翼云继续提供服务，而且此时，天翼云的数据也可以自动同步到华为云rds，平时只使用华为云的rds，和双A方案有点差异，需要注意的是rds环境不能安装任何的软件，所以，我目前想到的方案有：
单细胞转录组、蛋白组、表观组学等单细胞技术的发展为研究细胞周期、细胞分化等细胞动态过程提供了新的机会。🤩
1. 写在前面 当完成了对scRNAseq数据的Normalization和混杂因素去除后，我们就可以开始正式分析了。😘 本期我们介绍一下常用的聚类方法(clustering)，主要是无监督聚类，包括：👇 hierarchical clustering； k-means clustering ； graph-based clustering。 1.1 hierarchical clustering 图片 图片 1.2 k-means clustering 图片 1.3 graph-base
Rinetd是为在一个Unix和Linux操作系统中为重定向传输控制协议(TCP)连接的一个工具。Rinetd是单一过程的服务器，它处理任何数量的连接到在配置文件etc/rinetd中指定的地址/端口对。尽管rinetd使用非闭锁I/O运行作为一个单一过程，它可能重定向很多连接而不对这台机器增加额外的负担。
单细胞初级8讲和高级分析8讲 单细胞分析十八般武艺1：harmony 单细胞分析十八般武艺2：LIGER 单细胞分析十八般武艺3：fastMNN 单细胞分析十八般武艺4：velocyto 单细胞分析十八般武艺5：monocle3 单细胞分析十八般武艺6：NicheNet 单细胞分析十八般武艺7：CellChat
沃趣科技作为服务国内B端企业的数据库产品和解决方案的国产厂商，多年与传统企业打交道，深知传统企业目前正面临着互联网应用和数字化全面转型的挑战。我们了解到CIO眼里最重要的规划之一，就是如何根据企业自身的业务特点打造合适的私有云平台，来适应日新月异的应用场景变化，快速推出满足市场需求的应用。
轨迹推断（Trajectory Inference，TI），也称为细胞分析轨迹（differentiation trajectories）基于单细胞转录组数据，利用模型预测细胞分化过程。
这样的分析已经是超级简单的了，参考前面的例子：人人都能学会的单细胞聚类分群注释，读入这个文章的GSE162610数据集，进行标准的seurat流程即可。可以看到是如下所示的10个样品：
简介和安装 redis简介： 开源高性能key-value存储；采用内存中（in-memory）数据集的方式，也可以采用磁盘存储方式（前者性能高，但数据可能丢失，后者正好相反） 支持字符串（strings）、哈希（hashes）、列表（lists）、集合（sets）和 有序集合（sorted sets）等；支持对复杂数据结构的高速操作。 特性多，支持主从同步、pub/sub等 支持多种客户端（http://redis.io/clients） ... 注：应用场景没有提到，暂时没有太多实际体会，不瞎说，
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
