文件名称:TITAN
文件大小:6.16MB
文件格式:ZIP
更新时间:2024-04-21 00:55:18
R
TITAN(转录关联网络的主题推断) 概括 我们开发了TITAN(转录关联网络的主题推断),这是一种利用潜在狄利克雷分配(LDA)的无监督贝叶斯主题建模方法。 LDA可以在通常包含遗漏的词袋模型中推断稀疏数据,因此可以直接应用于单单元格数据。 在这里,潜在的转录网络被认为是“主题”,基因是单词,细胞是文档。 TITAN使用类似于cisTopic的方法,它将LDA与折叠的Gibbs采样相结合,以输出主题,这些主题通过与基因相关的得分分布以及与细胞相关的主题的得分分布而链接在一起。 通过分析基因组对主题模式的贡献以及每个单个细胞中不同主题的表达水平,可以将这些输出用于查找潜在的转录模式。 从转录的角度来看,TITAN利用基因-主题和细胞-主题分数来可视化在传统聚类方法之外通常可以将细胞聚类为离散定义的基础转录模式。 TITAN在分析不同细胞状态的能力方面独树一帜,可以针对传统簇和基于UMAP的
【文件预览】:
TITAN-master
----man()
--------addTopicsToSCE.Rd(640B)
--------ImputeAndAddTopics.Rd(795B)
--------GeneScores.Rd(389B)
--------TransferTopics.Rd(753B)
--------addTopicsToSeuratObject.Rd(643B)
--------runLDA.Rd(2KB)
--------HeatmapTopic.Rd(693B)
--------SCE_FeaturePlot.Rd(1KB)
--------TopicWordTable.Rd(552B)
--------LDAelbowPlot.Rd(827B)
--------GetTopics.Rd(617B)
--------TopTopicGenes.Rd(498B)
--------gg_color_hue.Rd(444B)
--------HeatmapSortByTopic.Rd(883B)
--------plot2Topics.Rd(1KB)
--------HeatmapSortByTopicAsWellAsAnno.Rd(995B)
----.gitignore(661B)
----README.md(2KB)
----vignettes()
--------.gitignore(13B)
--------TITAN_vignette.Rmd(16KB)
--------TITAN_vignette.md(26KB)
--------TITAN_vignette_2.Rmd(15KB)
--------TITAN_vignette_files()
--------.DS_Store(6KB)
----LICENSE(34KB)
----DESCRIPTION(409B)
----R()
--------TopicWordDistribution .R(605B)
--------Plot2Topics.R(2KB)
--------GeneScores.R(577B)
--------runLDA.R(4KB)
--------ImputeAndAddTopics.R(1KB)
--------SCE_FeaturePlot.R(891B)
--------TransferTopics.R(1KB)
--------LDAelbowPlot.R(3KB)
--------TopicHeatmaps.R(8KB)
--------addTopicsToSeuratObject.R(2KB)
--------TopicWordTable.R(597B)
--------GetTopics.R(1KB)
----TITAN.Rproj(386B)
----data()
--------Model_PEPE_T47D_20T_CLR_5000Variable_M10.rds(1013KB)
--------Elbowplot_T47D_PEPE_SCE.png(10KB)
--------Elbowplot_T47D_PEPE.png(8KB)
--------Model_SCE_PEPE_T47D_20T.rds(1.02MB)
----NAMESPACE(592B)