首页
/ 单细胞可视化从入门到精通：scRNAtoolVis生物信息分析工具实战指南

单细胞可视化从入门到精通：scRNAtoolVis生物信息分析工具实战指南

2026-04-14 08:35:35作者：虞亚竹Luna
scRNAtoolVis
Useful functions to make your scRNA-seq plot more cool!
项目地址：https://gitcode.com/gh_mirrors/sc/scRNAtoolVis

单细胞RNA测序技术的快速发展产生了海量数据，如何将这些复杂数据转化为直观的可视化结果是生物信息分析中的关键挑战。scRNAtoolVis作为专注于单细胞数据可视化的R包，集成了多种高质量可视化函数，为科研工作者提供了一站式解决方案。本文将通过"问题定位→工具选型→场景实战→效能优化"的四段式框架，帮助您全面掌握单细胞可视化的核心技术，让您的单细胞数据真正"开口说话"。

问题定位：单细胞可视化的核心痛点与解决方案

单细胞数据可视化面临着诸多挑战，从数据预处理到图表生成，每个环节都可能成为研究效率的瓶颈。本节将深入分析这些痛点，并介绍scRNAtoolVis如何针对性地解决这些问题。

数据预处理的常见陷阱与标准化流程

痛点：原始单细胞数据往往包含大量噪音和冗余信息，直接进行可视化会导致结果失真，传统处理流程繁琐且容易出错。

解决方案：scRNAtoolVis基于Seurat对象构建，提供了标准化的数据预处理流程，确保输入数据质量。

实施步骤：

  1. 数据格式验证

    # 检查Seurat对象完整性
check_seurat_object <- function(seurat_obj) {
  required_slots <- c("assays", "meta.data", "reductions")
  all(sapply(required_slots, function(x) x %in% slotNames(seurat_obj)))
}

# 验证示例
if (!check_seurat_object(seurat_object)) {
  stop("Seurat对象不完整，请检查是否包含必要组件")
}

    🔴 风险提示：确保Seurat对象包含表达矩阵、细胞注释和降维结果，缺少任何一项都会导致可视化失败。

  2. 数据质量控制

    # 基本过滤参数设置（根据数据特点调整）
min.cells <- 3  # 至少在3个细胞中表达的基因
min.features <- 200  # 每个细胞至少检测到200个基因
max.features <- 2500  # 过滤可能的双细胞
max.mt <- 5  # 线粒体基因比例不超过5%

# 执行过滤
seurat_object <- subset(seurat_object, subset = nFeature_RNA > min.features & 
                       nFeature_RNA < max.features & 
                       percent.mt < max.mt)

    🟢 专家建议：线粒体基因比例阈值应根据组织类型调整，神经元等代谢活跃细胞可适当放宽至10%。

  3. 标准化与降维

    # 数据标准化
seurat_object <- NormalizeData(seurat_object, normalization.method = "LogNormalize", 
                              scale.factor = 10000)

# 特征选择
seurat_object <- FindVariableFeatures(seurat_object, selection.method = "vst", 
                                     nfeatures = 2000)

# 数据缩放
seurat_object <- ScaleData(seurat_object, features = VariableFeatures(object = seurat_object))

# 降维分析
seurat_object <- RunPCA(seurat_object, features = VariableFeatures(object = seurat_object))
seurat_object <- RunUMAP(seurat_object, dims = 1:10)  # 使用前10个主成分

    📌 核心提示：UMAP降维的dims参数建议根据ElbowPlot结果调整，通常选择10-20个主成分。

效果对比：

预处理步骤 传统方法 scRNAtoolVis流程
操作复杂度 需手动编写多个函数 标准化流程，减少人为错误
处理时间 30-60分钟 10-15分钟
结果一致性 依赖操作者经验 标准化输出，结果可重复

单细胞数据预处理流程对比 图：scRNAtoolVis提供的多样化单细胞测序数据可视化效果，包含热图、火山图、降维聚类和气泡图等多种类型。这些图表均基于标准化预处理流程生成，确保结果的可靠性和一致性。

知识检查：如何确定UMAP降维时应选择的主成分数量？

工具选型：三步掌握scRNAtoolVis核心功能

选择合适的可视化工具是高效单细胞数据分析的关键。scRNAtoolVis提供了丰富的函数库，本节将通过三步法帮助您快速掌握核心功能，选择最适合您研究需求的可视化方法。

第一步：细胞分群可视化工具对比与选择

痛点：传统降维散点图常常存在细胞重叠、分群不清晰等问题，难以准确展示单细胞数据的结构特征。

解决方案：scRNAtoolVis提供了scatterCellPlot和clusterCornerAxes函数组合，实现高质量细胞分群展示。

实施步骤：

  1. 基础分群散点图绘制

    # 绘制UMAP分群图
p <- scatterCellPlot(
  object = seurat_object,
  reduction = "umap",  # 支持"umap"或"tsne"
  group.by = "seurat_clusters",  # 按聚类分组
  size = 0.8,  # 点大小，建议取值范围0.5-2.0
  alpha = 0.7,  # 点透明度，建议取值范围0.5-1.0
  palette = "viridis"  # 配色方案
)
print(p)

  2. 坐标轴美化

    # 添加美化的边角坐标轴
p <- clusterCornerAxes(
  plot = p,
  reduction = "umap",
  object = seurat_object,
  group.by = "seurat_clusters"
)
print(p)

  3. 细胞类型标注

    # 添加细胞类型标签
p + ggplot2::geom_text(
  data = FetchData(seurat_object, vars = c("UMAP_1", "UMAP_2", "seurat_clusters")) %>%
    dplyr::group_by(seurat_clusters) %>%
    dplyr::summarize(UMAP_1 = mean(UMAP_1), UMAP_2 = mean(UMAP_2)),
  mapping = ggplot2::aes(x = UMAP_1, y = UMAP_2, label = seurat_clusters),
  color = "black", size = 4, fontface = "bold"
)

    🟢 专家建议：当细胞数量超过10,000时，建议将size参数设为0.5以下，避免点重叠影响可视化效果。

第二步：基因表达模式分析工具链

痛点：传统基因表达可视化方法难以同时展示表达水平和细胞分布，多基因比较更是需要繁琐的代码编写。

解决方案：scRNAtoolVis提供了featurePlot和jjDotPlot等工具，实现单基因和多基因表达模式的高效展示。

实施步骤：

  1. 单基因表达分布

    # 展示单个基因的表达分布
featurePlot(
  object = seurat_object,
  features = "CD3D",  # 目标基因名
  reduction = "umap",
  cols = c("lightgrey", "blue", "red"),  # 表达梯度颜色
  min.cutoff = "q10",  # 下限为10%分位数
  max.cutoff = "q90",  # 上限为90%分位数
  pt.size = 0.5
)

  2. 多基因表达比较

    # 绘制多个标记基因的点图
jjDotPlot(
  object = seurat_object,
  features = c("CD3D", "CD4", "CD8A", "NKG7", "MS4A1"),  # 多个标记基因
  group.by = "seurat_clusters",
  dot.scale = "size",  # 点大小表示表达比例
  scale = TRUE,  # 行标准化表达值
  cols = c("blue", "red"),  # 颜色表示平均表达水平
  dot.min = 0.1,  # 最小点大小
  dot.max = 6  # 最大点大小，建议取值范围3-8
)

    🔴 风险提示：同时展示超过20个基因会导致图表可读性下降，建议分批次展示或使用热图替代。

第三步：差异表达与轨迹分析工具

痛点：差异表达结果的展示往往缺乏直观性，细胞发育轨迹分析更是需要复杂的生物信息学背景。

解决方案：scRNAtoolVis提供了jjVolcano、markerVolcano和tracksPlot等专用工具，简化差异表达和轨迹分析的可视化流程。

实施步骤：

  1. 差异表达火山图

    # 执行差异表达分析
cluster_markers <- FindMarkers(seurat_object, ident.1 = 0, ident.2 = 1)

# 绘制火山图
jjVolcano(
  data = cluster_markers,
  x = "avg_log2FC",  # x轴为log2倍变化
  y = "p_val_adj",  # y轴为调整后p值
  p.cutoff = 0.01,  # 显著性阈值
  log2FC.cutoff = 1,  # 差异表达阈值
  color = c("blue", "grey", "red"),  # 非显著、下调、上调颜色
  label.top = 10,  # 标记top10差异基因
  title = "Cluster 0 vs Cluster 1差异表达分析"
)

  2. 细胞轨迹可视化

    # 绘制细胞发育轨迹
tracksPlot(
  object = seurat_object,
  reduction = "umap",
  group.by = "cell_type",
  features = c("VIM", "CDH1", "CDH2"),  # 轨迹相关基因
  order = "pseudotime",  # 按伪时间排序
  ncol = 3,  # 3列布局
  height = 2,  # 每个子图高度
  show.legend = TRUE
)

    📌 核心提示：在绘制细胞轨迹前，需确保已使用Monocle或Seurat进行伪时间分析，生成pseudotime变量。

常见误区：

传统可视化方法 scRNAtoolVis优势
代码冗长，需要大量ggplot2自定义 一行代码生成高质量图表，内置优化参数
颜色搭配不专业，缺乏统一标准 内置多种专业配色方案，符合学术发表要求
不支持大规模数据，可视化卡顿 优化的算法支持数万细胞高效渲染
图表定制困难，修改参数复杂 丰富的参数选项，灵活调整细节

知识检查：如何在jjDotPlot中同时调整点大小和颜色映射？

场景实战：从入门到精通单细胞数据可视化全流程

理论知识需要通过实践来巩固。本节将通过三个典型研究场景，展示scRNAtoolVis在实际科研中的应用，帮助您掌握从数据预处理到图表输出的完整工作流。

场景一：三步实现细胞类型鉴定与可视化

细胞类型鉴定是单细胞数据分析的基础，scRNAtoolVis提供了高效的解决方案，帮助您快速完成细胞类型注释和结果展示。

问题场景：拿到一批外周血单个核细胞(PBMC)的单细胞测序数据，需要快速鉴定细胞亚群并可视化分群结果。

代码实现：

# 步骤1：数据准备与预处理
# 加载示例数据（scRNAtoolVis内置）
data("pbmc.markers")
load("data/pbmc.markers.rda")

# 假设已完成Seurat标准流程，得到seurat_object

# 步骤2：标记基因表达模式分析
# 选择免疫细胞标记基因
immune_markers <- c("CD3D", "CD4", "CD8A", "CD19", "MS4A1", "CD14", "FCGR3A", "NKG7")

# 绘制点图展示标记基因表达
dot_plot <- jjDotPlot(
  object = seurat_object,
  features = immune_markers,
  group.by = "seurat_clusters",
  dot.scale = 5,  # 点大小适中，取值5
  cols = c("lightblue", "darkred"),  # 表达梯度从浅蓝到深红
  scale = TRUE  # 行标准化，便于跨基因比较
)
print(dot_plot)

# 步骤3：细胞类型注释与可视化
# 根据标记基因表达模式分配细胞类型
new.cluster.ids <- c("CD4 T细胞", "CD8 T细胞", "B细胞", " monocytes", "NK细胞", "DC细胞", "血小板")
names(new.cluster.ids) <- levels(seurat_object)
seurat_object <- RenameIdents(seurat_object, new.cluster.ids)

# 绘制细胞类型分群图
cluster_plot <- scatterCellPlot(
    object = seurat_object,
    reduction = "umap",
    group.by = "ident",  # 使用重命名后的细胞类型
    size = 0.7,
    alpha = 0.8,
    palette = "Set2"  # 使用Set2配色方案，区分多种细胞类型
)

# 添加美化坐标轴
cluster_plot <- clusterCornerAxes(
    plot = cluster_plot,
    reduction = "umap",
    object = seurat_object,
    group.by = "ident"
)

print(cluster_plot)

# 保存高分辨率图片
ggsave("cell_type_clustering.png", plot = cluster_plot, width = 10, height = 8, dpi = 300)

优化建议：

  1. 当细胞类型超过8种时，建议使用"Polychrome"或"wesanderson"配色方案，避免颜色混淆
  2. 对于大型数据集（>20,000细胞），可使用downsample参数减少绘制细胞数量，提高速度
  3. 添加细胞类型比例统计：cellRatioPlot(seurat_object, group.by = "ident")

场景二：差异表达基因分析与高级可视化

差异表达基因分析是挖掘细胞异质性的关键步骤，scRNAtoolVis提供了从差异分析到结果可视化的完整解决方案。

问题场景：已鉴定出两个T细胞亚群，需要比较它们的差异表达基因并进行功能富集分析可视化。

代码实现：

# 步骤1：差异表达分析
# 提取T细胞亚群
t_cells <- subset(seurat_object, ident %in% c("CD4 T细胞", "CD8 T细胞"))

# 执行差异表达分析
t_markers <- FindMarkers(
    object = t_cells,
    ident.1 = "CD4 T细胞",
    ident.2 = "CD8 T细胞",
    min.pct = 0.25,  # 至少在25%的细胞中表达
    logfc.threshold = 0.5,  # log2FC阈值
    test.use = "wilcox"  # 统计检验方法
)

# 步骤2：火山图可视化
volcano_plot <- jjVolcano(
    data = t_markers,
    x = "avg_log2FC",
    y = "p_val_adj",
    p.cutoff = 0.001,  # 严格的显著性阈值
    log2FC.cutoff = 1,
    color = c("#377eb8", "#e41a1c"),  # 蓝色表示下调，红色表示上调
    label.top = 15,  # 标记top15差异基因
    lab.size = 3,  # 基因标签大小
    title = "CD4 T细胞 vs CD8 T细胞差异表达分析"
)
print(volcano_plot)

# 步骤3：差异基因热图展示
# 选择top50差异基因
top_markers <- head(rownames(t_markers[order(t_markers$avg_log2FC, decreasing = TRUE), ]), 50)

# 绘制热图
heatmap_plot <- averageHeatmap(
    object = t_cells,
    features = top_markers,
    group.by = "ident",
    scale = "row",  # 行标准化
    show_rownames = TRUE,  # 显示基因名
    annotation_col = TRUE,  # 添加列注释
    treeheight_row = 10,  # 行聚类树高度
    treeheight_col = 10,  # 列聚类树高度
    fontsize = 8  # 基因名字体大小
)
print(heatmap_plot)

# 保存结果
ggsave("t_cell_volcano.png", plot = volcano_plot, width = 10, height = 8, dpi = 300)
ggsave("t_cell_heatmap.png", plot = heatmap_plot, width = 12, height = 10, dpi = 300)

优化建议：

  1. 火山图中可使用highlight.genes参数突出显示感兴趣的特定基因
  2. 热图分析前建议使用DoHeatmap函数的slot参数指定合适的数据槽（如"scale.data"）
  3. 结合clusterProfiler包进行GO/KEGG富集分析，并使用dotplot函数可视化富集结果

场景三：细胞发育轨迹与基因表达动态分析

细胞轨迹分析有助于揭示细胞分化和发育过程，scRNAtoolVis提供了直观的轨迹可视化工具。

问题场景：研究造血干细胞分化过程，需要可视化细胞发育轨迹并展示关键基因的表达动态变化。

代码实现：

# 步骤1：拟时序分析准备
# 假设已使用Monocle完成拟时序分析，得到pseudotime变量
# 将pseudotime添加到Seurat对象meta.data
seurat_object$pseudotime <- pseudotime_result

# 步骤2：细胞轨迹可视化
trajectory_plot <- tracksPlot(
    object = seurat_object,
    reduction = "umap",
    group.by = "cell_type",
    color.by = "pseudotime",  # 按伪时间着色
    palette = "viridis",  # 伪时间使用渐变色
    size = 0.6,
    title = "造血干细胞分化轨迹"
)
print(trajectory_plot)

# 步骤3：关键基因表达动态展示
# 选择造血分化相关基因
development_genes <- c("GATA1", "PU.1", "RUNX1", "CEBPA", "FLT3")

# 绘制基因表达动态轨迹图
gene_trajectory <- tracksPlot(
    object = seurat_object,
    features = development_genes,
    reduction = "umap",
    group.by = "cell_type",
    order = "pseudotime",  # 按伪时间排序
    ncol = 2,  # 2列布局
    height = 2.5,  # 每个子图高度
    size = 0.5,
    show.legend = TRUE
)
print(gene_trajectory)

# 步骤4：细胞比例动态变化
ratio_plot <- cellRatioPlot(
    object = seurat_object,
    group.by = "cell_type",
    split.by = "sample",  # 按样本分组
    stat.test = TRUE,  # 添加统计检验
    palette = "Set1",
    title = "不同样本中细胞类型比例分布"
)
print(ratio_plot)

# 保存结果
ggsave("hematopoietic_trajectory.png", plot = trajectory_plot, width = 10, height = 8, dpi = 300)
ggsave("gene_expression_trajectory.png", plot = gene_trajectory, width = 10, height = 12, dpi = 300)

优化建议：

  1. 轨迹分析前建议使用orderCells函数确保细胞按正确的分化顺序排列
  2. 可使用add.trajectory参数在UMAP图上叠加分化路径
  3. 结合tradeSeq包进行基因表达随拟时间变化的统计分析

知识检查：如何将拟时序分析结果与scRNAtoolVis可视化工具结合使用？

效能优化：单细胞可视化高级图表定制与输出

高质量的图表是科研成果展示的关键。本节将介绍如何优化scRNAtoolVis生成的图表，使其达到发表级别，并根据不同期刊要求进行格式定制。

数据预处理技巧：提升可视化质量的关键步骤

痛点：低质量的数据会导致可视化结果不可靠，传统预处理方法难以兼顾效率和效果。

解决方案：scRNAtoolVis结合Seurat提供了优化的数据预处理流程，特别针对可视化需求进行了调整。

实施步骤：

  1. 批次效应处理

    # 使用SCTransform进行数据标准化和批次校正
seurat_object <- SCTransform(seurat_object, vars.to.regress = "sample", verbose = FALSE)

# 整合多个样本
seurat_object <- RunPCA(seurat_object, verbose = FALSE)
seurat_object <- FindNeighbors(seurat_object, dims = 1:30)
seurat_object <- FindClusters(seurat_object, resolution = 0.5)
seurat_object <- RunUMAP(seurat_object, dims = 1:30)

    🟢 专家建议：对于多个样本或批次的数据，建议使用SCTransform或Harmony进行整合，避免批次效应影响可视化结果。

  2. 高变基因选择优化

    # 优化的高变基因选择
seurat_object <- FindVariableFeatures(seurat_object, 
                                     selection.method = "vst", 
                                     nfeatures = 3000,  # 增加高变基因数量
                                     mean.cutoff = c(0.0125, 3),  # 调整表达量范围
                                     dispersion.cutoff = c(0.5, Inf))

  3. 降维参数优化

    # UMAP参数优化
seurat_object <- RunUMAP(seurat_object, 
                        dims = 1:20,  # 使用更多主成分
                        min.dist = 0.3,  # 调整点间距，取值范围0.1-0.9
                        spread = 1.0,  # 调整聚类扩散程度
                        n.neighbors = 30)  # 邻居数量，影响局部结构

    📌 核心提示：UMAP的min.dist参数对可视化效果影响显著，较小的值(0.1-0.3)会产生更密集的聚类，较大的值(0.5-0.9)会使结构更分散。

高级图表定制：从基础到发表级的美化技巧

痛点：默认图表往往不符合期刊要求，手动调整参数耗时且效果不佳。

解决方案：scRNAtoolVis生成的ggplot2对象支持丰富的定制选项，可快速调整为符合发表标准的图表。

实施步骤：

  1. 统一图表风格

    # 设置全局主题
set_scRNAtoolVis_theme <- function() {
  ggplot2::theme_set(ggplot2::theme_bw() +
    ggplot2::theme(
      panel.grid.minor = ggplot2::element_blank(),
      panel.grid.major = ggplot2::element_blank(),
      axis.text = ggplot2::element_text(size = 10),
      axis.title = ggplot2::element_text(size = 12, face = "bold"),
      plot.title = ggplot2::element_text(size = 14, face = "bold", hjust = 0.5),
      legend.title = ggplot2::element_text(size = 10, face = "bold"),
      legend.text = ggplot2::element_text(size = 8),
      legend.key.size = ggplot2::unit(0.5, "cm")
    ))
}

# 应用主题
set_scRNAtoolVis_theme()

  2. 颜色方案优化

    # 自定义颜色方案
my_palette <- c("#E41A1C", "#377EB8", "#4DAF4A", "#984EA3", 
               "#FF7F00", "#FFFF33", "#A65628", "#F781BF")

# 在可视化函数中使用
scatterCellPlot(seurat_object, group.by = "cell_type", palette = my_palette)

    🔴 风险提示：避免使用红绿对比色，考虑到色盲读者，建议使用蓝色-橙色或紫色-黄色等安全配色方案。

  3. 多图组合与排版

    # 组合多个图表
library(patchwork)

p1 <- scatterCellPlot(seurat_object, group.by = "cell_type")
p2 <- jjDotPlot(seurat_object, features = immune_markers)
p3 <- cellRatioPlot(seurat_object, group.by = "cell_type")

# 组合排版
combined_plot <- (p1 + p2) / p3 + 
  patchwork::plot_annotation(title = "单细胞数据多维度分析",
                            theme = ggplot2::theme(plot.title = ggplot2::element_text(hjust = 0.5)))

print(combined_plot)

高效输出：多格式图片导出与参数设置

痛点：不同期刊对图片格式、分辨率和尺寸有不同要求，手动调整耗时费力。

解决方案：scRNAtoolVis结合ggplot2的ggsave函数，支持多种格式高质量图片输出。

实施步骤：

  1. PDF格式（适合印刷）

    # 导出PDF格式
ggsave(
  "cell_clusters.pdf",
  plot = cluster_plot,
  device = "pdf",
  width = 8,  # 宽度（英寸）
  height = 6,  # 高度（英寸）
  units = "in",
  dpi = 300,  # 分辨率
  useDingbats = FALSE  # 避免特殊字符问题
)

  2. PNG格式（适合屏幕展示）

    # 导出高分辨率PNG
ggsave(
  "marker_expression.png",
  plot = dot_plot,
  device = "png",
  width = 10,
  height = 8,
  dpi = 300,
  bg = "white"  # 设置白色背景
)

  3. SVG格式（适合矢量图编辑）

    # 导出SVG格式
ggsave(
  "trajectory_analysis.svg",
  plot = trajectory_plot,
  device = "svg",
  width = 10,
  height = 8,
  bg = "transparent"  # 透明背景
)

    🟢 专家建议：提交期刊时优先使用PDF或TIFF格式，分辨率设置为300dpi，宽度控制在8-10厘米（单栏）或17-19厘米（双栏）。

常见误区：

不当做法 正确做法
使用默认参数导出图片 根据期刊要求调整尺寸和分辨率
直接使用屏幕截图 使用ggsave函数导出高质量图片
图表中包含过多信息 遵循"一图一结论"原则，保持简洁
忽略图表标题和标签 确保所有图表包含清晰的标题、坐标轴标签和图例

知识检查：如何调整scRNAtoolVis图表的字体大小以适应不同期刊的要求？

知识检查参考答案

  1. 如何确定UMAP降维时应选择的主成分数量？ 参考答案：可通过ElbowPlot(seurat_object)绘制碎石图，选择拐点处的主成分数量，通常为10-20个。也可使用JackStrawPlot评估主成分显著性，选择p值<0.01的主成分。

  2. 如何在jjDotPlot中同时调整点大小和颜色映射？ 参考答案：使用dot.scale参数控制点大小范围，cols参数设置颜色梯度，scale参数设为TRUE可对表达值进行标准化，使不同基因间的表达水平具有可比性。

  3. 如何将拟时序分析结果与scRNAtoolVis可视化工具结合使用？ 参考答案：将拟时序分析得到的pseudotime变量添加到Seurat对象的meta.data中，然后使用tracksPlot函数，通过color.by = "pseudotime"参数按伪时间着色，或使用order = "pseudotime"参数按伪时间顺序排列细胞。

  4. 如何调整scRNAtoolVis图表的字体大小以适应不同期刊的要求？ 参考答案：通过ggplot2的theme系统统一调整，例如：

    plot + theme(
  axis.text = element_text(size = 8),    # 坐标轴文本
  axis.title = element_text(size = 10),   # 坐标轴标题
  plot.title = element_text(size = 12),   # 图表标题
  legend.text = element_text(size = 8),   # 图例文本
  legend.title = element_text(size = 10)  # 图例标题
)

    根据期刊要求调整具体数值，通常正文字体8-10pt，标题10-12pt。

scRNAtoolVis
Useful functions to make your scRNA-seq plot more cool!
项目地址：https://gitcode.com/gh_mirrors/sc/scRNAtoolVis
登录后查看全文

相关内容推荐

1 单细胞可视化：从基础到高级的科研绘图解决方案2 高效绘制专业级单细胞测序图表：scRNAtoolVis全面指南3 scRNAtoolVis：单细胞测序数据可视化的高效解决方案4 单细胞测序数据高效解析实战指南：scRNAtoolVis可视化工具全攻略5 scRNAtoolVis：5步解锁单细胞可视化的科研图表创新方法6 scRNAtoolVis完整教程：打造专业级单细胞RNA测序可视化图表7 【亲测免费】 scRNAtoolVis 使用指南8 5大核心功能全面掌握scRNAtoolVis：单细胞数据分析实战指南9 scRNAtoolVis：单细胞可视化难题的一站式解决方案10 5步掌握专业级单细胞数据可视化工具
热门项目推荐
相关项目推荐

热门内容推荐

1 build-your-own-x 探索指南：从零构建编程技能体系2 技术实践新范式：build-your-own-x项目的系统构建与能力跃迁指南3 build-your-own-x 开源学习项目一站式指南4 【亲测免费】 开源项目 `build-your-own-x` 使用指南5 【亲测免费】 探索科技之旅：《Build Your Own X》项目详解6 GitHub_Trending/bu/build-your-own-x自动化：CI/CD流程在自制项目中的应用7 从零打造智能家居系统：用build-your-own-x实现家庭自动化

最新内容推荐

无缝对话体验升级：Cherry Studio如何解决多模型协作难题隐私优先的照片管理：Ente加密相册的安全存储与智能组织方案Go语言学习与实战指南：构建系统化的Golang知识体系如何永久保存QQ空间回忆？这款工具让青春足迹不褪色如何通过霞鹜文楷实现开源字体的中文阅读体验革新智能漫画翻译助手SickZil-Machine全攻略：高效去除文字的开源解决方案3分钟掌握的文本效率神器：Beeftext全攻略OpenCore Legacy Patcher全解析：让老旧Mac重获新生如何通过自动化配置工具快速生成黑苹果EFI？OpCore Simplify让复杂配置变简单如何打造专属音乐中心？MusicFreeDesktop插件生态全解析

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
665
4.29 K
kernelkernel
deepin linux kernel
C
28
16
pytorchpytorch
Ascend Extension for PyTorch
Python
507
617
kernelkernel
openEuler内核是openEuler操作系统的核心，既是系统性能与稳定性的基石，也是连接处理器、设备与服务的桥梁。
C
397
295
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库，实现网络在NPU上加速计算。
C++
942
873
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot，Spring Security，JWT，Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.55 K
899
flutter_flutterflutter_flutter
暂无简介
Dart
915
222
MindSpeed-MMMindSpeed-MM
华为昇腾面向大规模分布式训练的多模态大模型套件，支撑多模态生成、多模态理解。
Python
133
209
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件，通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求，让密码技术应用更简单，同时探索后量子等先进算法创新实践，构建密码前沿技术底座！
C
1.07 K
558
cangjie_runtimecangjie_runtime
仓颉编程语言运行时与标准库。
Cangjie
163
924