- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信菜鸟团
如何制备pbmc
先从制备pbmc开始吧。 pbmc 外周血单个核细胞 英文全称Peripheralblood mononuclear cell，注意这里并非单指单核细胞 全血由血浆和血细胞组成，我们的目标是拿到pbmc做后续实验。 血浆、pbmc和红细胞等的密度不同，加上淋巴细胞分离液，离心后全血分层，拿到上清液。
2.6K20发布于 2021-01-18 - 来自专栏用户7627119的专栏
PBMC or 全血，应该选哪个？
究竟用全血还是PBMC做研究，实际上取决于你的研究目的是什么。如果检测红细胞或者血小板，当然要用全血。如果检测的是粒细胞，就直接裂解红细胞就可以。 如果检测的是淋巴细胞或者单核细胞就要用PBMC。 那么为什么要裂解红细胞或者用PBMC呢？ 那么什么是PBMC呢？ PBMC指外周血单个核细胞（Peripheral blood mononuclear cell,PBMC)，是外周血中具有单个核的细胞，包括淋巴细胞和单核细胞。 单细胞研究中，我们也经常使用PBMC样本，第一步就是要裂解红细胞。怎么样判断红细胞有没有裂解完全呢？一般我们会检查每个细胞中血红蛋白的含量，来判断是否为红细胞。
3.6K11发布于 2020-10-23 - 来自专栏单细胞天地
外周血中PBMC细胞的分离流程
在血细胞中存在着参与机体免疫应答，调控相关的一类细胞，我们统称为外周血单个核细胞（Peripheral blood mononuclear cell,PBMC)，是外周血中具有单个核的细胞（Mononuclear 参考耗材、试剂和仪器 实验步骤 样本准备：4 mL 全血/每样，正式分离 PBMC 时使用 2 mL，分两管进行；剩余 2 mL 留做备用。 离心完成后吸取 PBMC 细胞层（如下图）的细胞，转移至 15 Ml 离心管中，在离心管中加入 6 Ml 的 1640 (含5% FBS) 培养基，使用巴斯吸管轻柔吹打细胞悬液 3-5 次，重悬细胞。 红细胞裂解： I．使用宽口枪头弃上清，加入300μl 1640培养基（含5%FBS）轻轻重悬细胞，后加入红细胞裂解液3mL，置于4℃（冰上），裂红计时 3min；如细胞悬液中红细胞较多（如：PBMC） 血样分离之后的 PBMC 可直接标记上机；也可在几个小时内放置，但标记上机前需做一次清洗，也可以根据课题设计进行细胞冻存，后续复苏后标记上机。
7.9K31发布于 2021-10-09 - 来自专栏用户7627119的专栏
你不知道的PBMC
指外PBMC（peripheral blood mononuclear cell，外周血单核细胞），指外周血中具有单个核的细胞，包含淋巴细胞、单核细胞等。 【人类PBMC的起源和衍生】 外周外周血单核细胞来源于骨髓中的造血干细胞(HSCs)。造血干细胞通过造血过程生成免疫系统中的所有血细胞。 【人类PBMC不同细胞类型的比例】 细胞PBMC细胞有圆核，包括异构的细胞群组成的各种比例的淋巴细胞(T细胞、B细胞、NK细胞)，树突细胞，这些细胞和单核细胞是先天和适应性免疫系统的关键组件，是帮助身体抵御病毒 二者区别如下： Ficoll：分离到的主要为PBMC，如需检测粒细胞等多形核细胞不适合选Ficoll作为细胞分离液。 【PBMC的临床应用】 美国美国生物学家乔治戴利曾经说过，如果20世纪是药物治疗的时代，那么21世纪就是细胞治疗的时代。
7.8K31发布于 2020-08-05 - 来自专栏数据科学（冷冻工厂）
单细胞分析(Signac)： PBMC scATAC-seq 聚类
pbmc <- RunTFIDF(pbmc) pbmc <- FindTopFeatures(pbmc, min.cutoff = 'q0') pbmc <- RunSVD(pbmc) 通常，潜在语义索引 pbmc <- RunUMAP(object = pbmc, reduction = 'lsi', dims = 2:30) pbmc <- FindNeighbors(object = pbmc, reduction = 'lsi', dims = 2:30) pbmc <- FindClusters(object = pbmc, verbose = FALSE, algorithm = 3) DimPlot(object and normalize it pbmc[['RNA']] <- CreateAssayObject(counts = gene.activities) pbmc <- NormalizeData( object = pbmc, assay = 'RNA', normalization.method = 'LogNormalize', scale.factor = median(pbmc
41200编辑于 2024-05-27 - 来自专栏单细胞测序
单细胞测序—PBMC注释的细胞类型
单细胞测序—PBMC注释的细胞类型刚开始做单细胞测序的下游分析时，常用的是官方文档提供的pbmc3K数据集，但是我对注释出来的细胞类型缺乏相应的背景知识，对单细胞测序背后的生物学意义也很模糊，这里首先对 pbmc3K数据集注释出来的细胞类型进行简单的梳理。 PBMC主要包括以下几种细胞类型：T细胞（T Lymphocytes）：占PBMC的多数（约60-70%）。分为CD4+ T细胞（辅助T细胞）和CD8+ T细胞（细胞毒性T细胞）。 B细胞（B Lymphocytes）：占PBMC的约5-10%。主要负责生产抗体，通过体液免疫应答来中和病原体。单核细胞（Monocytes）：占PBMC的约10-20%。 4 PBMC细胞类型中典型的基因表达需要背诵markers.txta = read.delim("..
4.3K21编辑于 2024-08-15 - 来自专栏单细胞天地
听说你还缺PBMC单细胞数据
") data("pbmc3k") sce <- pbmc3k.final 但是因为它这个包仍然是在GitHub，所以很多人下载失败， 另外它数据也是在外网，很多人网络有问题无法下载。 目前它有如下所示的10个数据： pbmc68k frozen_pbmc_donor_a frozen_pbmc_donor_b frozen_pbmc_donor_c pbmc33k pbmc3k pbmc6k pbmc4k pbmc8k pbmc5k-CITEseq 每个数据集都有自己的代号： function (dataset = c("pbmc4k", "pbmc68k", "frozen_pbmc_donor_a ", "frozen_pbmc_donor_b", "frozen_pbmc_donor_c", "pbmc33k", "pbmc3k", "pbmc6k", "pbmc8k", " tenx_pbmc4k <- TENxPBMCData(dataset = "<em>pbmc</em>4k") tenx_pbmc4k counts(tenx_pbmc4k) 可以看到，它是SingleCellExperiment
1.8K30编辑于 2022-04-18 - 来自专栏数据科学（冷冻工厂）
单细胞分析(Signac)： PBMC scATAC-seq 质控
/atac_v1_pbmc_10k/atac_v1_pbmc_10k_singlecell.csv wget https://cf.10xgenomics.com/samples/cell-atac/1.0.1 /atac_v1_pbmc_10k/atac_v1_pbmc_10k_fragments.tsv.gz wget https://cf.10xgenomics.com/samples/cell-atac of reads in peaks pbmc$pct_reads_in_peaks <- pbmc$peak_region_fragments / pbmc$passed_filters * 100 pbmc$blacklist_ratio <- pbmc$blacklist_region_fragments / pbmc$peak_region_fragments 我们可以使用DensityScatter pbmc$high.tss <- ifelse(pbmc$TSS.enrichment > 3, 'High', 'Low') TSSPlot(pbmc, group.by = 'high.tss')
87900编辑于 2024-05-27 - 来自专栏数据科学（冷冻工厂）
单细胞分析(Signac)： PBMC scATAC-seq 整合
在本例中，我们加载了一个由 10x Genomics 提供的经过预处理的人类 PBMC 的 scRNA-seq 数据集。 /vignette_data/pbmc_10k_v3.rds") pbmc_rna <- UpdateSeuratObject(pbmc_rna) transfer.anchors <- FindTransferAnchors ( reference = pbmc_rna, query = pbmc, reduction = 'cca' ) ## Running CCA ## Merging objects ## integration vector weights ## Predicting cell labels pbmc <- AddMetaData(object = pbmc, metadata = (pbmc, idents = i) newid <- names(which.max(table(pbmc$predicted.id[cells_to_reid]))) Idents(pbmc
51500编辑于 2024-05-27 - 来自专栏数据科学（冷冻工厂）
单细胞分析(Signac)： PBMC scATAC-seq 预处理
/atac_v1_pbmc_10k/atac_v1_pbmc_10k_singlecell.csv wget https://cf.10xgenomics.com/samples/cell-atac/1.0.1 /atac_v1_pbmc_10k/atac_v1_pbmc_10k_fragments.tsv.gz wget https://cf.10xgenomics.com/samples/cell-atac /1.0.1/atac_v1_pbmc_10k/atac_v1_pbmc_10k_fragments.tsv.gz.tbi 加载包 首先加载 Signac、Seurat 和我们将用于分析人类数据的其他一些包 /vignette_data/atac_v1_pbmc_10k_filtered_peak_bc_matrix.h5") metadata <- read.csv( file = ".. /vignette_data/atac_v1_<em>pbmc</em>_10k_fragments.tsv.gz', min.cells = 10, min.features = 200 ) <em>pbmc</em> <-
80910编辑于 2024-05-17 - 来自专栏单细胞天地
Seurat 4.0 || 单细胞PBMC多模态参考数据集
Seurat 升级到4.0时，同时提供了基于RNA和膜蛋白的PBMC参考数据集，这可以说进一步解决了PBMC细胞类型（状态）的鉴定难题。 在本例中，我们将10X Genomics发布的首批2700 PBMC的scRNA-seq数据集映射到我们最近描述的包含228（224？）抗体的162,000 PBMC的CITE-seq参考数据集上。 pbmc3k <- SCTransform(pbmc3k, verbose = FALSE) 然后我们在参考集和查询集之间找锚点(FindTransferAnchors)。 MapQuery pbmc3k <- MapQuery( anchorset = anchors, query = pbmc3k, reference = reference, refdata = "ref.spca" ) pbmc3k <- ProjectUMAP( query = pbmc3k, query.reduction = "ref.spca", reference
3.4K42发布于 2020-11-09 - 来自专栏生信技能树
一个PBMC的scATAC-seq基础分析：Signac
)) seqnames(granges(pbmc)) peaks.keep <- seqnames(granges(pbmc)) %in% standardChromosomes(granges(pbmc )) table(peaks.keep) pbmc <- pbmc[as.vector(peaks.keep), ] pbmc 添加基因信息 这里需要注意与上游分析使用的参考基因需要是同一个版本，这个数据的 _unified ) head(pbmc@meta.data) colnames(pbmc@meta.data) # 可视化 DensityScatter(pbmc, x = 'nCount_peaks <- RunTFIDF(pbmc) pbmc <- FindTopFeatures(pbmc, min.cutoff = 'q0') pbmc <- RunSVD(pbmc) DepthCor(pbmc .rds") pbmc_rna <- UpdateSeuratObject(pbmc_rna) DimPlot(object = pbmc_rna, label = TRUE) + NoLegend()
1.5K00编辑于 2025-03-31 - 来自专栏单细胞天地
重磅发布 | 百创智造发布跨物种PBMC数据组
百创智造单细胞PBMC数据组 2023开年，百创智造重磅发布7个物种（牡蛎，许氏平鮋，黄颡鱼，鳖，鸡，大鼠，人）共计14个样品的PBMC数据。涵盖了无脊椎，鱼类，爬行，禽类，哺乳动物多个类型的物种。 这一发布成果是国内国产单细胞平台首次发布成体系的免费PBMC数据，可供任何科研人员免费下载使用。 百创智造DG1000跨物种PBMC数据 外周血单个核细胞（Peripheral blood mononuclear cell,PBMC)是外周血中具有单个核的细胞，包括淋巴细胞和单核细胞，是单细胞免疫相关研究的有效载体 7种14个BMKMANU DG1000 PBMC单细胞数据t-SNE图 单细胞测序应用 单细胞mRNA测序技术（scRNA-seq）提供了单细胞水平的转录组研究，大大提高了对由多种细胞组成的器官或组织的研究 百创S1000 空间转录组 百创智造PBMC数据组下载链接： https://pan.baidu.com/s/17Yw3j7eZHEXjADKSUNXGIw 提取码：BMKM 青岛百创智能制造技术有限公司
99720编辑于 2023-02-16 - 来自专栏生信技能树
一个 pbmc5k的scATAC-seq数据基本分析：snapATAC2软件
__version__ # 2.8.0 下载数据：'https://cf.10xgenomics.com/samples/cell-atac/2.0.0/atac_pbmc_5k_nextgem/atac_pbmc # Input files fragment_file = snap.datasets.pbmc5k() fragment_file # /home/zhangj/.cache/snapatac2/atac_pbmc %%time data = snap.pp.import_fragments( fragment_file, chrom_sizes=snap.genome.hg38, file="pbmc.h5ad" , sorted_by_barcode=False) data 会在当前目录下生成一个 pbmc.h5ad 文件。 data.close() data # 保存所有内存中的AnnData对象 gene_matrix.write("pbmc5k_gene_mat.h5ad", compression='gzip')
60310编辑于 2025-11-20 - 来自专栏生信技能树
10x官网下载pbmc3k的bam文件走定量流程
的结果 但是这个两年前的系列笔记是基于V2,V3版本的cellranger，在2020的7月我看到了其更新到了V4，也里面写了一个总结，见：cellranger更新到4啦（全新使用教程） 10x官网下载pbmc3k 的bam文件 因为恰好最近也需要pbmc3k的bam文件做RNA速率分析，所以就选择10x官网下载pbmc3k的bam文件作为案例给大家演示。 .10xgenomics.com/resources/datasets/3-k-pbm-cs-from-a-healthy-donor-1-standard-1-1-0 我们可以选择下载fq或者bam文件，由于pbmc3k pbmc3k是v1试剂时期的产物 其实10x官网的pbmc3k有fq文件，包含了多条lane，这里我们就不修改fq文件名了，因为可以直接下载bam文件，然后转换成fq的。 /bamtofastq_linux --cr11 pbmc3k_possorted_genome_bam.bam .
95820编辑于 2022-07-26 - 来自专栏数据科学（冷冻工厂）
单细胞分析(Signac)： PBMC scATAC-seq 基因组区域可视化
# set plotting order levels(pbmc) <- c("CD4 Naive","CD4 Memory","CD8 Naive","CD8 effector","Double negative pre-B cell",'B cell progenitor',"pDC","CD14+ Monocytes",'CD16+ Monocytes') CoveragePlot( object = pbmc
31010编辑于 2024-06-06 - 来自专栏单细胞天地
Seurat4.0系列教程14:整合scRNA-seq and scATAC-seq数据
<- LoadData("pbmcMultiome", "pbmc.rna") pbmc.atac <- LoadData("pbmcMultiome", "pbmc.atac") # repeat (pbmc.rna) pbmc.rna <- FindVariableFeatures(pbmc.rna) pbmc.rna <- ScaleData(pbmc.rna) pbmc.rna <- RunPCA (pbmc.rna) pbmc.rna <- RunUMAP(pbmc.rna, dims = 1:30) # ATAC analysis add gene annotation information <- RunTFIDF(pbmc.atac) pbmc.atac <- FindTopFeatures(pbmc.atac, min.cutoff = "q0") pbmc.atac <- RunSVD (pbmc.atac) pbmc.atac <- RunUMAP(pbmc.atac, reduction = "lsi", dims = 2:30, reduction.name = "umap.atac
3.7K43编辑于 2022-01-10 - 来自专栏单细胞
seurat v5直播，一键完成五种数据整合：harmony，CCA，RPCA,FastMNN,scVI
= readRDS('~/gzh/pbmc3k_final.rds') DimPlot(pbmc) 我们能看到此时的pbmc对象还是一个seurat v4对象 第二步：把seuratv4对象转为seuratv5 = "Assay5") DefaultAssay(pbmc)Assays(pbmc) pbmc[["RNA_seuratv4"]] <- pbmc[['RNA']] pbmc[['RNA']]=pbmc <- NormalizeData(object = pbmc)pbmc <- FindVariableFeatures(object = pbmc) pbmc <- ScaleData(object = pbmc) pbmc <- RunPCA(object = pbmc) pbmc <- FindNeighbors(object = pbmc, dims = 1:30) pbmc <- FindClusters (object = pbmc) pbmc <- RunUMAP(object = pbmc, dims = 1:30) DimPlot(object = pbmc, reduction = "umap"
4.4K00编辑于 2024-02-23 - 来自专栏单细胞天地
表达量矩阵全部更改为0-1矩阵会影响降维聚类分群吗？
## Load the PBMC dataset pbmc.data <- Read10X(data.dir = "filtered_gene_bc_matrices/hg19/") pbmc <- = 2000) ## In addition we scale the data all.genes <- rownames(pbmc) pbmc <- ScaleData(pbmc, features = all.genes) pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc), verbose = FALSE) pbmc <- FindNeighbors(pbmc, dims = 1:10, verbose = FALSE) pbmc <- FindClusters(pbmc, resolution table(pbmc$seurat_clusters) # pbmc.markers <- FindAllMarkers(pbmc, only.pos = TRUE, min.pct = 0.25,
62640发布于 2021-10-09 - 来自专栏数据科学（冷冻工厂）
Signac R｜如何合并多个 Seurat 对象 (2)
为了进行演示，将使用 10x Genomics 提供的四个 scATAC-seq PBMC 数据集： 500-cell PBMC 1k-cell PBMC 5k-cell PBMC 10k-cell PBMC # add information to identify dataset of origin pbmc500$dataset <- 'pbmc500' pbmc1k$dataset <- 'pbmc1k ' pbmc5k$dataset <- 'pbmc5k' pbmc10k$dataset <- 'pbmc10k' # merge all datasets, adding a cell ID to dataset of origin pbmc500$dataset <- 'pbmc500' pbmc1k$dataset <- 'pbmc1k' pbmc5k$dataset <- 'pbmc5k' pbmc10k$dataset <- 'pbmc10k' # merge combined <- merge( x = pbmc500, y = list(pbmc1k, pbmc5k, pbmc10k
88610编辑于 2024-12-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号