VIP20
本课程属于：024-单细胞转录组批次质控 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

Seurat批次校正：CCA与Harmony整合指南

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
课程介绍与目标
了解批次效应的来源及整合的必要性 · 明确CCA与Harmony的定位
课程介绍目标
02
批次效应概述
什么是批次效应？它对单细胞数据分析有…
批次效应概述什么是批次效应？…
03
Seurat简介与安装
Seurat生态介绍 · 安装与依赖配置（R包版本管理）
Seurat简介
04
数据加载与QC
读取10X/其他格式数据 · 质控指标（线粒体 · 基因数
QC数据加载
05
标准化与高变基因选择
LogNormalize / SCT… · 选择HVG的方法与意义
标准化高变基因选择
06
降维与聚类
PCA降维 · 基于图聚类的原理与参数选择
降维聚类
07
批次校正方法概览
常见方法（CCA · Harmony · MNN
批次校正方法概览CCA
08
CCA原理与概念
典型相关分析（CCA）在单细胞整合中…
CCA原理
09
基于CCA的整合流程（一）
寻找锚点
CCA基于
10
基于CCA的整合流程（二）
整合数据
CCA基于
11
基于CCA的整合流程（三）
下游分析：整合后如何重新标准化 · 降维 · 聚类
CCA基于
12
Harmony原理与概念
软聚类与迭代调整的算法本质
Harmony原理
13
Harmony运行流程
RunHarmony函数参数详解（t… · lambda等）
Harmony运行流程
14
Harmony的参数调优
如何根据数据特性调整集群数 · 收敛条件
Harmony的参数调优
15
CCA与Harmony的对比
适用场景 · 速度 · 内存
CCAHarmony
16
整合后评估方法
可视化（UMAP按批次着色） · 定量指标（混合度 · 批次分离）
整合后评估方法UMAP
17
利用UMAP/t-SNE可视化
ggplot2与Seurat内置函数…
UMAP/t-SNE利用
18
批次效应定量指标
kBET · LISI · Silhouette等指标的R实现
批次效应定量指标kBET
19
常见问题
不同整合策略的选择
常见问题不同整合策略的选…
20
案例
不同技术平台的整合（10x vs S…
案例vs
21
案例
跨物种整合
案例跨物种整合
22
案例
时间序列数据的整合
案例时间序列数据的整…
23
多批次整合的注意事项
批次数量>5时的稳定性与内存优化
多批次整合的注意…批次数量>5时的…
24
处理大数据的优化策略
采样 · 分块计算 · 并行化（future包）
处理大数据的优化…采样
25
整合后的细胞类型注释
利用参考数据集进行标签转移
整合后的细胞类型…利用参考数据集进…
26
整合后的差异表达分析
整合后Assay的选择（RNA vs…
整合后的差异表达…Assay
27
整合后的轨迹推断
Monocle3与Seurat的联合…
整合后的轨迹推断Monocle3
28
整合结果的验证与再现性
重复实验 · 交叉验证 · 公开数据集对比
整合结果的验证再现性
29
课程总结与最佳实践
流程图 · 检查清单 · 常见陷阱
课程总结最佳实践
30
参考资源与扩展阅读
Seurat官方文档 · Harmony官网 · 经典论文列表
参考资源扩展阅读