Single cell RNA analysis _ #6 조건별 차이가 나는 클러스터 generation

#data load가 끝난 이후부터

data 이름 하단 ht01, ht02, ht03, ht04로 명명

[2개의 data를 분석하는 방법 - 시간 소요가 적기에 training 시 적절함]

#data normalization

seurat_A <- NormalizeData(ht01)

seurat_B <- NormalizeData(ht02)

seurat_combined <- merge(seurat_A, y = seurat_B, add.cell.ids = c("A", "B"))

#변수 유전자 identify

seurat_combined <- FindVariableFeatures(seurat_combined)

#차원 축소 후 이미지화

seurat_combined <- ScaleData(seurat_combined)

seurat_combined <- RunPCA(seurat_combined)

seurat_combined <- RunTSNE(seurat_combined, dims = 1:15)

seurat_combined <- RunUMAP(seurat_combined, dims = 1:10)

seurat_combined <- FindNeighbors(seurat_combined, dims = 1:10)

seurat_combined <- FindClusters(seurat_combined, resolution = 0.8)

DimPlot(seurat_combined, reduction = "umap", group.by = "seurat_clusters",split.by = "orig.ident")

[4개의 data 통합 분석]

#data normalization

seurat_A <- NormalizeData(ht01)

seurat_B <- NormalizeData(ht02)

seurat_C <- NormalizeData(ht03)

seurat_D <- NormalizeData(ht04)

seurat_combined <- merge(seurat_A, y = c(seurat_B,seurat_C,seurat_D), add.cell.ids = c("A", "B", "C", "D"))

#변수 유전자 identify

seurat_combined <- FindVariableFeatures(seurat_combined)

#차원 축소 후 이미지화

seurat_combined <- ScaleData(seurat_combined)

seurat_combined <- RunPCA(seurat_combined)

seurat_combined <- RunTSNE(seurat_combined, dims = 1:15)

seurat_combined <- RunUMAP(seurat_combined, dims = 1:10)

seurat_combined <- FindNeighbors(seurat_combined, dims = 1:10)

seurat_combined <- FindClusters(seurat_combined, resolution = 0.8)

DimPlot(seurat_combined, reduction = "umap", group.by = "seurat_clusters",split.by = "orig.ident", ncol=2)