📂 快速导航 1 质控函数 2 标准化函数 3 降维函数 4 聚类函数 5 可视化函数 6 高级函数 1 质控函数 (QC) CreateSeuratObject() 基础 创建Seurat对象，是所有分析的起点 CreateSeuratObject ( counts, project = "Project" , min.cells = 3 , min.features = 200 ) PercentageFeatureSet() 常用 计算指定基因集的表达比例（如线粒体基因） # 计算线粒体基因比例 obj[[ "percent.mt" ]] <- PercentageFeatureSet (obj, pattern = "^MT-" ) # 计算核糖体基因比例 obj[[ "percent.rb" ]] <- PercentageFeatureSet (obj, pattern = "^RP[SL]" ) subset() 常用 过滤低质量细胞 obj <- subset (obj, subset = nFeature_RNA > 200 & nFeature_RNA < 5000 & percent.mt < 20 ) 2 标准化函数 NormalizeData() 基础 Log标准化方法 obj <- NormalizeData ( obj, normalization.method = "LogNormalize" , scale.factor = 10000 ) SCTransform() 推荐 方差稳定化转换，Seurat v5推荐方法 obj <- SCTransform ( obj, vars.to.regress = "percent.mt" , verbose = FALSE ) FindVariableFeatures() 常用 识别高变基因(HVGs) obj <- FindVariableFeatures ( obj, selection.method = "vst" , nfeatures = 2000 ) ScaleData() 常用 数据缩放（均值为0，方差为1） obj <- ScaleData ( obj, features = rownames (obj), vars.to.regress = "percent.mt" ) 3 降维函数 RunPCA() 常用 主成分分析（线性降维） obj <- RunPCA ( obj, features = VariableFeatures (obj), npcs = 50 ) RunUMAP() 常用 UMAP非线性降维 obj <- RunUMAP ( obj, dims = 1 : 20 , reduction = "pca" ) RunTSNE() 可选 t-SNE非线性降维 obj <- RunTSNE ( obj, dims = 1 : 20 , reduction = "pca" ) ElbowPlot() 可视化 肘部图，帮助选择PC数量 ElbowPlot (obj, ndims = 50 ) 4 聚类函数 FindNeighbors() 常用 构建KNN图 obj <- FindNeighbors ( obj, dims = 1 : 20 , reduction = "pca" ) FindClusters() 常用 Louvain/Leiden聚类 obj <- FindClusters ( obj, resolution = 0.5 , algorithm = 1 # 1=Louvain, 3=Leiden ) FindAllMarkers() 常用 寻找所有cluster的marker基因 markers <- FindAllMarkers ( obj, only.pos = TRUE , min.pct = 0.25 , logfc.threshold = 0.25 ) FindMarkers() 常用 寻找指定cluster的marker基因 markers <- FindMarkers ( obj, ident.1 = 1 , ident.2 = 2 , test.use = "wilcox" ) 5 可视化函数 DimPlot() 常用 降维可视化（UMAP/tSNE图） DimPlot ( obj, reduction = "umap" , group.by = "seurat_clusters" , label = TRUE , pt.size = 0.5 ) FeaturePlot() 常用 基因表达在降维图上的展示 FeaturePlot ( obj, features = c ( "CD3D" , "CD8A" ), reduction = "umap" , min.cutoff = "q10" , max.cutoff = "q90" ) VlnPlot() 常用 小提琴图，展示基因表达分布 VlnPlot ( obj, features = c ( "nFeature_RNA" , "percent.mt" ), ncol = 2 , pt.size = 0.1 ) DotPlot() 常用 点图，展示基因在cluster中的表达 DotPlot ( obj, features = c ( "CD3D" , "CD8A" , "MS4A1" ) ) + RotatedAxis () DoHeatmap() 常用 热图，展示基因表达模式 DoHeatmap ( obj, features = top_markers$gene, size = 3 ) + NoLegend () RidgePlot() 可选 山脊图，展示基因表达分布 RidgePlot ( obj, features = "CD3D" , group.by = "seurat_clusters" ) 6 高级函数 FindIntegrationAnchors() 整合 寻找整合锚点，用于多数据集整合 anchors <- FindIntegrationAnchors ( object.list = dataset_list, dims = 1 : 30 ) IntegrateData() 整合多数据集，消除批次效应 combined <- IntegrateData ( anchorset = anchors, dims = 1 : 30 ) RenameIdents() 注释 重命名cluster身份（细胞类型注释） RenameIdents ( obj, '0' = 'T cells' , '1' = 'B cells' ) subset() 子集 按cluster或其他元数据子集化 # 提取特定cluster t_cells <- subset (obj, idents = 'T cells' ) # 提取多个cluster sub <- subset (obj, idents = c ( 1 , 2 )) merge() 合并多个Seurat对象 merged <- merge ( x = obj1, y = obj2, add.cell.ids = c ( 'batch1' , 'batch2' ), project = 'combined' ) 💡 使用建议 🚀 新手推荐流程 1. CreateSeuratObject 2. PercentageFeatureSet (QC) 3. SCTransform (一体化) 4. RunPCA → RunUMAP 5. FindNeighbors → FindClusters 6. DimPlot 可视化 📚 常见问题 • 细胞太多：先用subset取子集测试 • 聚类不好：调整resolution参数 • 批次效应：使用Harmony或IntegrateData • 找不到marker：放宽logfc阈值
⚠️
免责声明：
本内容仅供医学学习参考，不作为临床诊断依据。
实际临床决策请结合患者具体情况和多学科意见。