TCGA与单细胞数据的解卷积生存分析与预后分析套路合集
Bulk转录组+scRNA-seq联合分析
这篇教程把bulk RNA-seq和scRNA-seq数据进行联合分析,首先教学通过TCGA中的bulk RNA-sew数据进行生存分析,接着提供两种Bulk与单细胞数据的联合分析的方法:第一种,利用单细胞注释结果以反卷积的方法推测bulk中的细胞组成**,这样就可以借助bulk中配套的生存数据得到单细胞数据中不同细胞类型对生存预后的影响;第二种,使用****Scissor工具,我们可以结合bulk数据附带的临床信息把临床表型投射回单细胞数据中,找到与临床表型高关联的单细胞。
这样做的优势很直观:TCGA提供了规模较大的患者队列和临床信息,单细胞数据则提供了细胞类型和细胞亚群层面的分辨率。两者结合后,分析就不再停留于“某个基因是否影响预后”,而是可以进一步追问“哪些细胞类型或细胞状态可能与预后相关”。
本教程以TCGA-LIHC作为示例项目,输入数据包括整理后的clinicalSE、mrna_expr_count、mrna_expr_fpkm,以及已经完成细胞注释的**Seurat**对象。如果替换为其他癌种,整体分析流程不变,但需要同步检查项目编号、样本 ID、基因 ID 类型、细胞注释字段,以及恶性细胞类型名称是否保持一致。
整体流程可以分为四部分:
第一部分,整理TCGA表达矩阵和临床数据;
第二部分,围绕基因、基因集或临床变量进行Kaplan-Meier和Cox 生存分析;
第三部分,使用BayesPrism进行**反卷积,接着根据反卷积得到的Bulk数据中预测的细胞类型的组成进行Kaplan-Meier**生存分析;
第四部分,Bulk 数据结合Scissor 工具进行表型映射,从而把 bulk 层面的预后信号进一步解释到细胞组成或单细胞亚群层面。
学习手册部分图片集锦:

优惠订阅资料或参与课程请联系[Biomamba_zhushou]
更多生信教程可见:为什么我们敢开放终身订阅
-Biomamba
所见即所得
以html格式提供学习手册,可在浏览器中打开并翻阅学习:

教程目录:
零、欢迎关注Biomamba生信基地
一、写在前面
1.1 绪论介绍
1.2 可视化集锦
1.3 准备工作
1.3.1 硬件准备
1.3.2 编程基础
二、TCGA数据下载与整理
2.1 使用easyTCGA自动下载与整理数据
2.2 手动从GDC下载TCGA表达与临床数据
2.3 数据浏览
三、基于Bulk数据的生存分析
3.1 单基因生存分析
3.2 多基因生存分析
3.3 临床数据生存分析
四、单细胞联合Bulk数据生存分析(BayesPrism去卷积)
4.1 BayesPrism原理介绍
4.2 实战教学
4.2.1 安装加载包并载入数据
4.2.2 制作`BayesPrism`的单细胞参考数据集
4.2.3 进入`BayesPrism`主流程
4.2.4 [反卷积](https://mp.weixin.qq.com/s?__biz=MzAwMzIzOTk5OQ==&mid=2247532458&idx=1&sn=f8ec547187374fe77c38fc1125709b3b&scene=21#wechat_redirect)后进行生存分
五、Scissor真·单细胞水平生存分析
5.1 Scissor的原理
5.2 Scissor的实战教学
5.2.1 安装包并载入数据
5.2.2 整理生存分析数据制作phenotype
5.2.3 (可选)制作二分类临床变量的phenotype
5.2.4 (可选)制作连续临床变量的phenotype
5.2.5 进入Scissor主流程
5.3 相关可视化
六、环境版本信息
七、单细胞教程全收录
八、欢迎致谢
文末下载链接中包含以下内容:

测试文件,总大小3.36GB
往期推送
Biomamba 生信基地现已开放终身订阅,现已包含几十篇订阅资料,未来37年持续更新:为什么我们敢开放终身订阅
2025年我们零差评完成订阅任务(2026订阅须知),2026已更新订阅内容:
风靡一时的scTenifoldKnk单细胞虚拟基因敲除,准不准?
scRNA拟时序分析三大Python包: palantir、PAGA、RNAvelocity
正刊都在用的AI驱动蛋白质从头设计流程:RFdiffusion+ProteinMPNN+AlphaFold3
转录因子、基因共表达网络分析手册:pySCENIC在脑、黑色素瘤中的应用
免疫逃逸《NC》复现:scRNA-seq揭示头颈癌早期转移过程(Python版本)

持续更新中~
解锁前需阅读:2026订阅须知
订阅后解锁下方学习手册链接:
更多推荐

所有评论(0)