ident.2 = ident.2, . cellnames.use = cellnames.use. ) # check normalization method . command = norm.command, value = "normalization.method" ) # 读取相应的数据 . test = test.use %in% DEmethods_counts(), . yes = 'counts', . no = slot.

如果要对两组特定的细胞类群执行差异分析，可以设置ident.1和ident.2参数指定两个特定的细胞类群。

2024年1月29日 · #寻找细胞群2的标记基因. cluster2.markers <- FindMarkers(pbmc, ident.1 = 2, min.pct = 0.25) 这里输出得行名是基因名，每一列分别是p值，细胞群2与其他细胞群相比平均得差异表达倍数。最后一列是校正后得p值。 使用FindMarkers函数即可寻找指定细胞群的标记基因。

2021年6月2日 · 2. Seurat对象交互. 获取细胞和基因名，并计数. colnames(x = pbmc) rownames(x = pbmc) ncol(x = pbmc) nrow(x = pbmc) 设置identity classes（active.ident）

2022年2月10日 · 前两天遇到了一个小问题：初步注释细胞发现，使用RenameIdents后细胞类型的levels与我想要的排序不符。 例如，我实际得到的level为: cancer_cell1 T_cells cancer_cell2 cancer_cell3 B_cells.但是我想要把cancer_cell cluster与免疫细胞的排列成：cancer_cell1 cancer_cell2 cancer_cell3 T_cells B_cells。 搜所了一下，结果方法很简单。 seurat处理identity的函数有. Idents(object, ...) <- value RenameIdents(object, ...) ReorderIdent(object, var, ...)

2021年9月24日 · I had a question regarding the position of ident.1 and ident.2 in the FindMarkers function while performing DEG. To give some context, I have two groups - Control and Disease. Based on this, coul...

ident.2. A second identity class for comparison; if NULL, use all other cells for comparison; if an object of class phylo or 'clustertree' is passed to ident.1, must pass a node to find markers for. group.by. Regroup cells into a different identity class prior to performing differential expression (see example); "ident" to use Idents. subset.ident

这个问题有两个解决方案，第一个把已经划分为B细胞群的那些细胞的表达矩阵，重新走seurat流程，看看这个时候它们是否根据有没有表达目的基因来进行分群，如果有，就可以使用 findmarkers函数。 另外一个解决方案，就是人为划分，然后强行走seurat标准流程。 首先看看我们的seurat标准流程，自己去 GEO数据库 下载GSE125616的GSE125616_READ_COUNT_table_lvbo_TE_gencode.txt.gz文件，然后走下面的代码即可： …

根据这些优点， Seurat 推荐使用 SCTransform 做 normalization。 比如，FindMarkers (astrocytes, ident.1 = 'cancer', ident.2 = 'control', test.use = …

ident.2 = "DC",assay = "RNA") 很快就能重复出来 FindMarkers与AverageExpression 两个函数的结果 ： p_val avg_logFC pct.1 pct.2 p_val_adj . DC Platelet diff. 如果这样的肉眼去查看，就是粉丝提问的截图，当然是看不出来啊！ 会错误的以为，两个函数得到的结果差异很大！ 我这里做一个小小的可视化，代码如下： rownames(av)) AverageExpression=av[ids,'diff']) color = "black", shape = 21, size = 3, # Points color, shape and size.