VIP20
本课程属于：039-单细胞空间整合批次质控 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

UMAP与PCA可视化批次效应方法

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 · 批次效应的来源与影响 · 可视化在批次效应检测中的作用
批次效应概述什么是批次效应
02
主成分分析（PCA）原理
PCA的数学基础 · 协方差矩阵 · 特征值分解
PCA主成分分析
03
PCA用于批次效应检测
利用PCA可视化批次效应 · PCA图解读 · 批次分离的判定
PCA用于批次效应检测
04
数据预处理与标准化
数据缩放 · 中心化 · 对数变换
数据预处理标准化
05
PCA的局限性
线性假设 · 全局结构 · 对离群值敏感
PCA的局限性
06
均匀流形近似与投影（UMAP）原理
流形学习 · k近邻图 · 模糊集
UMAP均匀流形近似
07
UMAP参数详解
n_neighbors · min_dist · n_components
UMAP参数详解
08
UMAP用于批次效应可视化
UMAP图展示批次分离 · 与PCA对比
UMAP用于批次效应可视…
09
UMAP参数调优
如何选择n_neighbors和mi…
UMAP参数调优
10
t-SNE与UMAP比较
t-SNE原理 · 与UMAP的异同 · 在批次效应可视化中的选择
t-SNEUMAP
11
批次效应量化指标
ASW（轮廓系数） · LISI · kBET等
批次效应量化指标ASW
12
经典批次效应校正方法
ComBat原理与使用 · 适用于基因表达数据
经典批次效应校正…ComBat
13
Harmony方法
基于迭代聚类与校正的整合方法 · 适用于单细胞数据
Harmony基于迭代聚类
14
scVI与深度学习方法
变分自编码器在批次效应校正中的应用
scVI深度学习方法
15
Seurat整合流程
CCA+MNN等方法 · UMAP可视化整合前后对比
Seurat整合流程
16
基于参考的数据整合
利用参考数据集进行批次校正
基于参考的数据整…利用参考数据集进…
17
多批次数据可视化策略
分面图 · 颜色编码 · 批次混合度评估
多批次数据可视化…分面图
18
批次效应检测实战
使用Python库（scanpy · sklearn）进行PCA/UMAP…
批次效应检测实战Python
19
代码实现PCA可视化批次效应
使用matplotlib/seabo…
PCA代码实现
20
代码实现UMAP可视化批次效应
使用umap-learn库 · 结合scanpy
UMAP代码实现
21
实战案例1
单细胞RNA-seq数据批次效应检测…
实战案例1RNA-seq
22
实战案例2
批量效应在转录组数据中的可视化分析
实战案例2批量效应
23
实战案例3
整合多个芯片数据集的批次效应处理
实战案例3整合多个芯片数据…
24
结果解读与报告
如何从PCA/UMAP图判断批次效应… · 以及校正是否成功
结果解读报告
25
常见问题与避坑
维度灾难 · 计算资源 · 随机性
常见问题避坑
26
可视化进阶
动态交互式UMAP图（plotly） · 标记批次来源
可视化进阶UMAP
27
统计分析辅助
使用ANOVA · PERMANOVA检验批次效应显著性
统计分析辅助ANOVA
28
多组学数据整合中的批次效应
跨模态数据整合挑战
多组学数据整合批次效应
29
批次效应检测工具汇总
Seurat · Scanpy · ComBat
批次效应检测工具…Seurat
30
总结与展望
批次效应处理的最新进展与最佳实践
批次效应处理的最…最佳实践