首页
›
生物信息学与 AI 制药工程
›
023-NGS变异流程批次质控
›
《R语言批次效应建模与自动化评估》
VIP20
本课程属于:023-NGS变异流程批次质控
生物信息学与 AI 制药工程 · 共 20 门相关课程,组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录
咨询 / 购买
R语言批次效应建模与自动化评估
共计 30 章节
点击此处阅读海量试读课程:100+行业、1000+细分领域
01
批次效应概述
什么是批次效应 · 为什么会出现批次效应 · 批次效应对数据分析的影响
批次效应概述
什么是批次效应
02
批次效应的可视化探索
箱线图 · PCA · 热图
批次效应的可视化…
箱线图
03
经典方法入门——ComBat(sva包)
原理介绍 · 安装与加载 · ComBat函数使用
ComBat
sva
04
limma包中的removeBatchEffect
线性模型思想 · 函数使用 · 与差异分析的关系
limma
removeBatchE…
05
RUVSeq方法
基于负对照基因的原理 · RUVg · RUVs
RUVSeq
基于负对照基因的…
06
基于因子分析的批次检测
PCA特征值 · 平行分析 · 随机矩阵理论在批次检测中的应用
基于因子分析的批…
PCA
07
批次效应评估指标
批次分离评分(ASW) · kBet · 批次内/间方差比
批次效应评估指标
ASW
08
实验设计的重要性
随机化 · 区块设计 · 平衡样本分配对批次效应的预防
实验设计的重要性
随机化
09
单细胞数据中的批次效应特点
dropout · 稀疏性 · 技术变异与生物变异的纠缠
单细胞数据
批次效应特点
10
Seurat整合方法(CCA+MNN)
FindIntegrationAnc… · IntegrateData原理与实战
Seurat
CCA+MNN
11
Harmony整合
基于模糊聚类与因子分析的批次校正 · RunHarmony使用
Harmony
整合
12
MNN校正(batchelor包)
相互最近邻法 · fastMNN原理与参数调优
MNN
batchelor
13
基于深度学习的方法
scVI(scvi-tools) · Python接口与R的配合使用
基于深度学习的方…
scVI
14
典型相关分析(CCA)用于批次校正
CCA降维 · 对齐 · 与Seurat的CCA对比
CCA
典型相关分析
15
多组学数据整合中的批次效应
多模态数据的对齐与校正策略
多组学数据整合
批次效应
16
批次效应与协变量的处理
在模型中加入批次作为固定效应或随机效…
批次效应
协变量的处理
17
实战
基因表达矩阵的批次效应校正——从读取…
基因表达矩阵的批…
从读取…
18
实战
甲基化数据(450K/EPIC)的批…
K/EPIC
甲基化数据
19
实战
蛋白质组学数据的批次效应处理(TMT · DIA等)
TMT
蛋白质组学数据的…
20
实战
多批次RNA-seq数据的整合与差异…
RNA-seq
多批次
21
校正后的验证
保留的生物学差异 · 消除的技术差异 · 统计检验方法
校正后的验证
保留的生物学差异
22
常见陷阱与误区
过度校正 · 混淆批次与生物学因素 · 忽视批次交互
常见陷阱
误区
23
基准测试方法
模拟数据生成 · 校正效果量化比较 · Benchmarking工具
基准测试方法
模拟数据生成
24
自定义批次效应校正函数
编写R函数实现简单的均值对齐或线性回…
自定义批次效应校…
编写R函数实现简…
25
批处理流水线构建
使用targets/Nextflow…
批处理流水线构建
targets/Next…
26
可视化报告生成
利用rmarkdown或shiny生…
可视化报告生成
rmarkdown
27
与差异表达分析的结合
校正后的数据如何输入DESeq2 · edgeR · limma
差异表达分析的结…
DESeq2
28
批次效应的鲁棒性分析
通过重抽样或交叉验证评估校正方法稳定…
批次效应的鲁棒性…
通过重抽样或交叉…
29
大规模数据的高效处理
bigmemory · DelayedArray · 并行计算加速
大规模数据的高效…
bigmemory
30
课程总结与展望
现有方法局限 · 未来趋势(迁移学习 · 自监督方法)
课程总结
现有方法局限
所属VIP或分类
同VIP:GATK变异检测关键节点与流程质控
同VIP:GATK变异检测参数优化与结果质控
同VIP:GATK变异检测参数优化与资源调度