新学期充电:单细胞基础--进阶--python分析培训班 ;空间转录组培训班 (Visium HD、Xenium、Stereo-seq)

2：单细胞数据下载、读取、处理，以Cancer Cell文章为例系统讲解单细胞数据质控

3：公共数据库单细胞数据常见文件读取方式，Seurat数据结构深入解读及多篇CNS单细胞数据的可视化，3D umap展示【Science】

4：多个样本循环结构整合，使用Harmony和CCA去除批次效应【Nat Genet】

5：机器注释singleR、Transfer 映射、手动注释等四种方法注释细胞类型

6：跟着CNS文章进行marker 基因画图展示

7：单细胞亚群再次降维聚类、注释和metadata的理解

9：不同分组差异基因展示，多分组火山图，瀑布图

10：KEGG/GO通路富集和GESA/GSVA通路活性打分

11：单细胞测序不同分组的相同cluster差异程度3维PCA展示以及差异热图展示【Cell】

12：轨迹分析：slingshot、Monocle2拟时间

13：CellChat多分组数据集差异分析【Nat Med】

14：NicheNet to link ligands from cells in TME and the EMT program in tumor cells.【Cancer Cell】

15：染色体拷贝数变异：inferCNV copykat

16：使用SCENIC进行转录调控网络分析和核心驱动基因鉴定【Nat Med】

17：跟着Nature文章源代码进行完整文献复现

18：实践课（课程总结，带领学员使用自测数据完成整体分析流程）

2：scATAC:motif富集分析、染色质共可及性、转录因子的footprint

3：scATAC的伪时间分析【Nat Genet】

4：以Nature文章为例系统讲解scRNA-seq与scATAC-seq联合分析【Nat Genet】

5：CITE–seq对单细胞转录组和膜蛋白进行定量分析【Nat Med】

6：scRepertoire系统分析TCR和BCR数据【Nature】

7：Scissor、BayesPrism进行Bulk和单细胞的联合分析【Science】

8：scRNA-seq和bulk RNA-seq数据联合分析推断细胞类群互作网络【Cell】

9：MAGIC 利用流形学习还原单细胞的基因表达【Cell】

10：hdWGCNA单细胞转录组加权基因共表达网络分析【Cell】

11：使用VISION算法推断单细胞代谢活性【Cancer Discovery】

12：百万细胞数分析方法：Metacell 

13：CellRanger处理单细胞上游数据，loom文件生成

14：CytoTRACE进行拟时间分析，基因表达量随PC1轴的变化 【Cell】

15：3D Diffusion Pseudotime Analysis  diffusion component【Cell Stem Cell】

16：Monocle2拟时间与CytoTRACE结合的个性化绘图【Nat Med】

17：Monocle3在三维空间轨迹与scVelo结合 【Nature】

18：Differences in pathway activities scored per cell by GSVA【Nat Med】

19：SCEVAN表征细胞的克隆结构【Science】

20：inferCNV结合UPhyloplot2分析肿瘤进化

21：geneNMF鉴定不同的生物学功能【Cell】，不同cluster的异质性确定【Cancer Cell】

22：CNS文章作图美化

23：scTenifoldKnk：单细胞RNA测序数据进行虚拟基因敲除分析，预测特定

基因在某一细胞群体中敲低后的整体基因表达谱变化

24：scPagwas采用多基因回归模型对一组性状相关基因进行优先排序，并通过将途径活性转化的单细胞RNA测序（scRNA-seq）数据与全基因组关联研究（GWAS）汇总数据相结合，揭示性状相关的细胞亚群。

25：Beyondcell进行药敏分析和药物治疗预测

26：SoupX：进行RNA污染检测和矫正

1.Spyder和Anaconda安装

2.环境配置；基本语法、数据类型等

3.Python控制流与函数（条件语句、循环语句、函数定义、返回值）

第2节：Python数据结构进阶

1.列表、元组、字典、集合高级用法

2.Python包（numpy、pandas、matplotlib等）

第3节：Shell基础命令学习了解Shell，基础命令学习（文件操作、权限管理）

第4节：Scanpy单细胞基础分析流程

• scanpy 单个样本的单细胞分析流程

• AnnData 对象层级结构理解

• Leiden算法、Louvain算法（Python）

• scanpy 多种单细胞数据文件读取

• scrublet去除双细胞

第5节：多个样本数据整合方法

1.ingest和BBKNN：多个样本数据整合

2.scVI和harmonypy:整合多个高维数据集的算法

第6节：单细胞注释方法

1.CellTypist 自定义高精度和低精度注释出细胞的亚群

2.scCODA（Python）：基于贝叶斯模型精准分析单细胞组成差异，识别与条件相关的细胞类型丰度变化

第7节：功能富集分析

1.GSEApy：python版本的功能富集分析

2.PROGENy（Python）活性打分（基于转录组数据预测细胞内信号通路活性，帮助揭示细胞功能的调控机制）

第8节：转录因子调控网络分析-pySCENIC转录因子分析

第9节：细胞间通讯分析方法

1.CellphoneDB：整合多物种配体-受体互作与统计建模，系统解析细胞间通讯网络与功能模块

2.LIANA+（Python）：整合多组学互作与概率建模，精准量化细胞间配体-受体活性并解析功能特异性通讯网络

第10节：单细胞发育轨迹推断-Palantir进行单细胞发育轨迹推断分析

第11节：降维与轨迹识别方法

1.PHATE同时保留局部结构(local structure) 以及全局结构(global structure)对单细胞数据降维【Nature】

2.Slingshot（Python）轨迹分析

3.PAGA轨迹推断

4.将velocity 与PAGA联合分析【Nature】

第12节：RNA速率分析 - scVelo：RNA速率分析

第13节：扰动分析——CellOracle 结合基因调控网络与机器学习，动态模拟细胞命运决策的扰动响应与转录重编程

第14节：百万细胞数分析方法：Metacell （R）、Supercell（Python）

第15节：muon—— Single-cell RNA-seq and ATAC-seq integration

第16节：Scirpy   TCR/BCR分析工具

第17节：hotspot 空间聚集识别方法识别单细胞数据中具有显著空间聚集的区域，揭示细胞间的局部相互作用

第18节：CellRank：基于马尔可夫过程和RNA速率的细胞命运预测

第19节：scFEA：代谢分析（自定义代谢通量建模，从单细胞数据解析高精度代谢网络和低覆盖基因谱，揭示细胞代谢重编程。）

第20节：染色体拷贝数推断inferCNVpy: python版的inferCNV

第21节：metaVIPER 自定义蛋白活性推断，整合多组学数据解析高精度调控网络和低信噪比样本，揭示关键驱动蛋白

第22节：drug2cell: 单细胞尺度解析药物扰动响应，量化靶点机制与细胞特异性药效网络

第23节：scAge: 单细胞水平解析衰老相关基因表达动态，量化细胞年龄状态与衰老轨迹

第24节：scTE : 单细胞转座子表达分析工具，解析转座子活性与细胞异质性关联（转座元件分析）

第25节：MAGIC ：使用数据扩散从单细胞数据中恢复基因的相互作用

第26节：CellOracle：通过单细胞多组学（转录组+表观组）数据推断细胞命运调控网络的计算工具

第27节：scDRS：将单细胞RNA-seq数据中的单个细胞与疾病GWASs相关联