Process / pipelineBioinformatics / omics

单细胞RNA测序（scRNA-seq）分析以单个细胞的分辨率表征基因表达，能够发现散点图转录组学中无法察觉的细胞类型、状态和转变。从原始测序读数开始，工作流程会生成一个细胞-基因计数矩阵，并经过质量控制、标准化、降维、无监督聚类、细胞类型注释以及一系列下游分析，如轨迹推断和细胞群体间的差异表达。

散点图RNA测序（Bulk RNA-seq）可以告诉你跨越数千个细胞的平均基因表达水平——这很有用，但稀有或特化细胞的信号会被大多数细胞淹没。单细胞RNA测序（scRNA-seq）为每个细胞提供其自身的转录组清单。想象一下按类型对一袋混合硬币进行分类，然后单独计算每种面额，而不是称量整袋硬币。一旦细胞被单独分析并按转录相似性聚类，你就可以识别肿瘤中的稀有免疫亚型，重建干细胞如何分化为神经元，或者比较单个细胞对同一药物治疗的不同反应。

在 MethodMind 中打开即将推出视频即将推出Download slides

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

Method map

The neighbourhood of related methods — select a node to explore.

Single-cell RNA-seq analysis

基因集富集分析 (GSEA)通路富集分析 RNA-seq差异表达单细胞 eQTL 分析单细胞变异检测贝叶斯 RNA-seq 差异表达 ChIP-seq Peak Calling 单细胞RNA测序（scRNA-seq）的差异分析 eQTL分析机器学习辅助的ChIP-seq峰值识别

+19 more

来源

Satija, R., Farrell, J. A., Gennert, D., Schier, A. F., & Regev, A. (2015). Spatial reconstruction of single-cell gene expression data. Nature Biotechnology, 33(5), 495–502. DOI: 10.1038/nbt.3192 ↗
Macosko, E. Z., Basu, A., Satija, R., Nemesh, J., Shekhar, K., Goldman, M., ... & McCarroll, S. A. (2015). Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets. Cell, 161(5), 1202–1214. DOI: 10.1016/j.cell.2015.05.002 ↗

如何引用本页

ScholarGate. (2026, June 3). Single-cell RNA Sequencing Analysis. ScholarGate. https://scholargate.app/zh/bioinformatics/single-cell-rna-seq-analysis

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side →

被引用于

贝叶斯 RNA-seq 差异表达 ChIP-seq Peak Calling 单细胞RNA测序（scRNA-seq）的差异分析 eQTL分析基因集富集分析 (GSEA)机器学习辅助的ChIP-seq峰值识别机器学习辅助基因集富集分析机器学习辅助RNA测序差异表达分析机器学习辅助的单细胞RNA测序分析多组学单细胞RNA测序分析基于网络的RNA测序差异表达分析基于网络的单细胞RNA测序分析通路富集分析 RNA-seq差异表达序列比对单细胞ChIP-seq峰值调用单细胞拷贝数变异分析单细胞 eQTL 分析单细胞基因集富集分析单细胞全基因组关联分析 (Single-cell GWAS)单细胞代谢组学分析单细胞微生物组多样性分析单细胞系统发育分析单细胞RNA测序差异表达分析时间序列基因集富集分析时间序列微生物组多样性分析时间序列 RNA-seq 差异表达单细胞时间序列RNA测序分析

发现本页有问题？报告或提出修改建议 →