SeekSoul Online 云平台概览与入口
SeekSoul Online 云平台是寻因生物历时两年打造的一站式单细胞多组学数据挖掘和可视化线上工具,覆盖单细胞转录组、单细胞免疫组以及寻因的自研单细胞空间转录组产品标准分析和高级分析等全套流程。分析结果与代码执行分析结果高度一致,为用户提供疾病机制探索、生物靶标挖掘、基础科学研究的多领域全方位深层次数据分析解决方案。
本中心汇集了从实验准备、上机测序到数据分析的全流程标准化文档,旨在为您提供清晰、准确的操作指南和理论支持,确保您的研究项目高效、顺利地进行。
在左侧选择产品与主题标签,或使用右上角搜索快速定位目标文档;列表支持分页浏览,点击标题即可打开对应指南与说明。

SeekSoul Online 云平台是寻因生物历时两年打造的一站式单细胞多组学数据挖掘和可视化线上工具,覆盖单细胞转录组、单细胞免疫组以及寻因的自研单细胞空间转录组产品标准分析和高级分析等全套流程。分析结果与代码执行分析结果高度一致,为用户提供疾病机制探索、生物靶标挖掘、基础科学研究的多领域全方位深层次数据分析解决方案。
涵盖将 DD ATAC/GE 数据转换为 10x ARC 支持格式、fastp 质控、barcode 转换与 Cell Ranger ARC 运行示例。
系统性说明 SeekArcTools 软件生成的单细胞多组学质控报告(scATAC + scRNA)中各项指标的定义、计算方法与解读指南。
scRNA-seq 与 scATAC-seq 双组学数据的质控目的、质控标准、关键质控指标的含义
scRNA-seq 与 scATAC-seq 双组学数据的降维聚类的策略,基于 RNA 数据的降维聚类、基于 ATAC 数据的降维聚类、联合 RNA 和 ATAC 进行的联合降维聚类
scRNA-seq 与 scATAC-seq 双组学数据的细胞注释方法和策略,通过同时考虑基因表达 (RNA) 和染色质可及性 (ATAC) 两种信息源,提高细胞注释的准确性
基于 scATAC-seq 数据,通过差异可及性分析识别各细胞群/状态的特异性开放区域,进而利用 Motif 富集分析鉴定其核心调控转录因子,并对相关 peak 进行基因注释与功能富集,以揭示潜在的细胞特异性调控机制
Motif 分析是单细胞 ATAC + RNA 多组学数据解析转录因子调控网络的关键步骤。通过识别染色质开放区域 (peak) 中富集的转录因子结合位点 (motif),可以推断哪些转录因子可能参与调控特定细胞类型或状态
在单细胞 ATAC-seq 数据分析中,基因活力分析是一种通过评估染色质可及性来量化基因活力的重要方法。基因活力分析统计了每个基因区域(包括基因体和上游 2 kb 调控区域)内的 ATAC-seq 信号强度,这些信号反映了 DNA 的开放程度,从而预示着基因的潜在转录活性
Peak2Gene (Peak-Gene linking) 分析是一种专为单细胞多组学 (ATAC + RNA) 数据设计的方法。其核心目标是识别基因表达与其附近染色质可及性峰 (peaks) 之间的显著调控关系。该方法通过统计每个细胞中基因表达量与其附近 peaks 的 ATAC 信号强度间的相关性,并利用广义线性模型校正 GC 含量、peak 长度、距离等技术偏置,从而推断哪个 peak 可能参与调控哪些基因。
拟时序分析用于重建细胞发育或分化过程的轨迹,揭示染色质可及性的动态变化。Monocle3 通过选择 root 细胞,计算每个细胞到起点的距离,得到伪时间 (pseudotime),用于排序细胞的分化进程。在 scATAC-seq 分析中,伪时间可以直观反映染色质可及性的变化和基因调控网络的动态过程。
epiAneuFinder 是一种用于从单细胞 ATAC (scATAC) 数据中检测拷贝数变异 (CNV) 的算法。单细胞多组学数据中包含 scATAC-seq 信息,可以利用 epiAneuFinder 对多组学中的 scATAC-seq 做 CNV 分析,揭示肿瘤细胞异质性。
CopyscAT 可基于 scATAC-seq 数据推断拷贝数变异 (CNV),辅助识别癌症细胞。它能帮助研究复杂肿瘤(如胶质母细胞瘤)内不同亚克隆的染色体变化与表观基因组状态的关系,分析遗传变异如何影响细胞的分子表型。CopyscAT 特别适合探索高异质性肿瘤中遗传与表观遗传的交互,以及肿瘤细胞与微环境间的作用机制。
AtaCNV 是一种专为单细胞 ATAC-seq (scATAC-seq) 数据开发的拷贝数变异 (CNV) 检测工具。通过处理单细胞染色质可及性测序数据,AtaCNV 能够高分辨率地揭示肿瘤细胞等复杂组织内部的遗传异质性。适用于多组学单细胞数据中的 scATAC-seq 通道,实现对肿瘤等复杂样本中细胞拷贝数状态的自动推断与可视化。
ATAC_DiffEnrich 是面向单细胞多组学数据中 scATAC-seq 的差异可及性与富集分析流程,旨在从不同细胞群或条件之间系统地鉴定差异可及染色质区域(DARs),解析其潜在调控因子(TF)及受影响的生物学过程/信号通路。
ATAC_Monocle3 分析流程专为单细胞 ATAC-seq 数据的轨迹推断与发育动力学研究设计。
ATAC_Peak2Gene 是面向单细胞多组学数据中 scATAC-seq 与 scRNA-seq 整合分析的 Peak-to-Gene 关联分析流程,旨在系统性地识别染色质开放区域(peaks)与基因表达之间的调控关系,揭示顺式调控元件(CREs)对基因转录的潜在影响。
全基因组关联研究(GWAS)是解析复杂性状遗传基础的关键工具,其鉴定出的大量显著单核苷酸多态性(SNP)往往位于基因组的非编码调控区域。
染色体拷贝数变异(CNV)是肿瘤基因组不稳定性的典型标志,表现为染色体片段的大规模扩增或缺失。
染色体拷贝数变异(CNV)是肿瘤基因组不稳定性的典型标志,表现为染色体片段的大规模扩增或缺失。
染色体拷贝数变异(CNV)是肿瘤基因组不稳定性的典型标志,表现为染色体片段的大规模扩增或缺失。
基因活力分析(Gene Activity Analysis)是单细胞 ATAC-seq 数据分析中的核心技术,它通过量化染色质可及性来间接评估基因的转录潜力。
请选择 common_r 这个环境进行该整合教程的学习
本教程演示如何整合 scRNA-seq 和 scATAC-seq 数据,涵盖从数据读取、质量控制、降维聚类到 WNN 加权近邻分析及标签传递(Label Transfer)的完整流程,实现多模态数据的深度解析。
本教程针对 SeekArc 双组学数据(RNA+ATAC),介绍多样本整合分析流程,涵盖数据读取、质控、使用 CCA/Harmony 去除批次效应、基于 WNN 的多模态整合及降维聚类分析。
本教程基于 Seurat 框架,介绍 SeekArc 单样本双组学数据的标准分析流程,包括 RNA 与 ATAC 数据的联合分析、加权邻近网络(WNN)构建及细胞类型注释。
本文档详细说明了 SeekSpace Tools 软件输出的空间转录组质控报告中各项指标与图表的定义、计算方法与解读指南,旨在帮助用户理解测序数据与文库质量状况,并为后续数据分析提供参考依据。
使用 GIMP 将 H&E 明场图像与 DAPI 荧光图像进行空间配准的标准化操作指南,包含 DAPI 预处理、图层叠加与透明度设置、移动/缩放/旋转配准、画布与背景修复、图层合并导出及可选的组织提取步骤。
本教程专为处理寻因生物 (SeekGene) 单细胞空间转录组产品的底层空间几何变换而设计,旨在帮助您深入理解并实现芯片坐标与组织图像的精准对齐。
本模块基于 Banksy 算法,用于对空间转录组数据进行空间聚类和区域分割 (Domain Segmentation)。
CellCharter 通过构建空间网络并进行邻域富集分析,能够有效识别组织中的空间域与细胞微环境,并支持跨条件的差异分析,从而揭示复杂的细胞空间相互作用。
COMMOT 采用最优传输算法,通过实施空间距离约束和多物种分布传输,实现高精度的空间细胞通讯信号推断,揭示组织中复杂的配体-受体相互作用。
scider 通过建模空间转录组中的细胞全局密度,提供细胞共定位、边界检测、ROI 自动识别及差异密度分析等功能,揭示组织内细胞的空间分布规律与相互作用。
本教程基于 phenoptr 包,介绍如何利用空间转录组数据的坐标信息,进行细胞空间分布统计与邻域分析,计算特定细胞类型周围的细胞组成,揭示细胞间的空间相互作用关系。
本教程基于 stLearn 库,介绍空间微环境(Niche)分析方法,通过整合细胞的空间位置与邻域特征,定义并聚类不同的细胞微环境,解析组织的空间结构异质性。
本教程基于 Seurat 框架,介绍 SeekSpace 空间转录组数据的多样本整合流程,利用 Harmony 算法去除批次效应,实现多样本的联合聚类与空间可视化。
本教程以小鼠脑数据为例,介绍如何使用 Scanpy 对 SeekSpace 空间转录组数据进行处理,涵盖数据读取、质控、降维聚类及空间基因表达可视化。
本教程以小鼠脑数据为例,介绍如何使用 Seurat 对 SeekSpace 空间转录组数据进行处理,涵盖数据读取、质控、降维聚类及空间可视化分析。
基于 stLearn 的细胞通讯分析,结合受配体(LR)得分与网格化热点检测,识别组织内高概率通讯区域;包含参数说明、10x 矩阵读取、细胞类型注入与网格划分,支持自定义 LR 对与受配体库选择。
使用空间坐标与细胞类型注释,基于核密度估计(KDE)计算并绘制细胞类型空间密度分布,支持二维与三维可视化。
基于标记基因表达矩阵与空间坐标,使用核密度估计(KDE)计算并绘制基因表达密度分布,用于定位高表达区域与受配体共定位模式。
读取多样本 Seurat 对象并合并空间维度,采用 Harmony 去批次,完成联合聚类与空间可视化,并评估批次效应影响。
介绍 SeekSpace 拼片数据拆分流程,包含从 Seurat rds 提取内嵌图像(base64 转 PNG)、整理元数据并生成可分析的独立样本对象。
基于 Seurat 与 ggplot2 的空间可视化示例,演示参数配置与常用绘图,支持按元数据分组的空间散点与聚类结果展示。
介绍 SpaGene 基于 k 近邻空间网络与 EMD 距离识别空间可变基因的方法,并结合受配体共定位分析揭示细胞通讯模式。
在 cellcharter‑env 环境下,基于 Squidpy 完成邻域富集、共现与高变基因等空间分析;包含 10x 数据读取、QC、降维与空间坐标绑定流程。
使用 stLearn 计算配体‑受体交互得分并定位热点区域,结合细胞类型与空间邻域信息揭示组织内可能发生的高频通讯;运行时间较长,需合理设置参数与线程。
本教程基于 Monocle2 框架,介绍如何筛选随拟时序轨迹变化的动态基因,并使用自然样条曲线拟合基因表达趋势,探索细胞分化过程中的基因调控机制。
scFAST-seq 突变分析教程,涵盖多个样本的突变数据合并、基于突变特征的 UMAP 降维可视化以及多样本整合分析流程。
基于 monocle2 拟时序分析结果,可视化突变随细胞发育轨迹的动态演变过程,帮助识别与发育或分化相关的关键突变。
本文探讨在单细胞 RNA 测序分析中,除传统高变基因外,利用长链非编码 RNA 进行细胞分群的补充策略。
针对 FFPE 样本背景 RNA、双细胞与质控问题,提供背景去除 (SoupX)、双细胞过滤与参数优化流程。
详细说明了 SeekMethyl 质控报告中各项指标的定义、计算方法以及解读指南,旨在帮助用户理解测序数据与文库质量状况。
本模块专为单细胞甲基化双组学数据(同时包含 RNA 和甲基化信息)的基础分析而设计,实现了数据整合、质量控制、批次效应校正和细胞图谱构建等核心分析流程。
本模块旨在从单细胞甲基化测序数据中识别并过滤双细胞(doublets),提供基于转录组细胞类型、甲基化 Reads 数和甲基化率的三种互补鉴定方法以提高识别准确性。
本教程详细介绍了如何基于 MOFA+ (Multi-Omics Factor Analysis v2) 框架,对单细胞甲基化 (DNA Methylation) 和转录组 (RNA) 数据进行多组学整合分析。
本教程介绍如何基于 Scanpy 与 Muon 框架,使用 WNN(Weighted Nearest Neighbors)算法整合单细胞甲基化与转录组(RNA)数据,并完成联合降维、聚类与可视化。
本模块整合了单细胞甲基化差异分析和功能富集分析,旨在从单细胞多组学数据中识别差异甲基化区域/基因、差异表达基因,并进一步通过 GO 和 KEGG 解析其生物学功能。
本模块专为单细胞甲基化多组学数据的组间差异分析和功能富集分析设计,能够对每个细胞类型分别进行组间的差异表达基因 (DEG) 和差异甲基化基因 (DMG) 分析。
本模块基于 MethSCAn 开发,支持单细胞甲基化数据的变异区域发现 (VMR Detection)、细胞聚类分群以及识别不同细胞群体之间的差异甲基化区域 (DMR Analysis)。
本模块基于 rGREAT 开发,对差异甲基化区域 (DMRs) 开展功能富集分析,将 DMRs 与其邻近基因关联,评估在 GO、MSigDB 等功能类别中的富集情况以揭示其生物学功能。
本模块基于 HOMER 开发,用于在差异甲基化区域等基因组区域中进行 DNA 序列 Motif 分析,支持从头 Motif 发现和已知 Motif 富集分析,以识别可能参与调控的转录因子。
本模块基于 CopyKit 开发,专为从单细胞测序数据中推断全基因组拷贝数变异 (CNV) 而设计,支持变异识别、区分正常与肿瘤细胞,以及探索肿瘤内部异质性与克隆进化轨迹。
细胞组成分析:样本与分组间的细胞类型占比柱状图
细胞类型富集分析:基于卡方检验与 R.oe 值的热图绘制
使用 ESCC 文章复现-髓系亚群复现 流程数据进行演示
通过观察病毒基因表达与关键宿主基因的相关性,探究病毒基因和宿主基因之间的互作关系,理解病毒如何影响宿主细胞功能
基因表达丰度:细胞表达基因数目 病毒载量:标准化后的病毒基因表达值之和(参考上述文章)
介绍如何利用 SingleR 自动注释工具,结合 HumanPrimaryCellAtlas 等参考数据集,为单细胞转录组数据进行高精度的细胞类型识别与注释。
单细胞可视化定制:自定义颜色与顺序的 t-SNE 及比例图
介绍如何使用 Seurat 和 clusterProfiler 进行单细胞差异表达(DE)与功能富集分析(ORA/GSEA),涵盖簇间与组间比较、多数据库注释(GO/KEGG 等)及火山图、热图等可视化方法。
单细胞基因表达相关性散点图可视化
单细胞基因表达动态解析:拟时序基因表达量曲线拟合
本教程介绍 scRNA-seq 多样本整合分析流程,涵盖两种数据读取方式(云平台 RDS 和标准 10x 矩阵)、Seurat 对象创建、QC 指标计算(线粒体/基因数等)、以及基于 Harmony 的数据整合与去批次效应分析。
Seurat 是一个功能全面的 R 包,专为单细胞 RNA 测序数据的质量控制、分析和探索而设计。本教程提供从数据加载到标记基因查找的完整分析流程,涵盖质量控制、DoubletFinder 双细胞去除、数据整合(Harmony/CCA/Merge)、降维聚类及差异表达分析。**重要提示**:本教程应使用 **"common_r"** 内核运行。
定位 GFP 在 featureCounts 未定量的原因(GTF 注释缺失 gene/transcript 行)并给出修复 GTF 的示例命令。
介绍将 DD 平台数据转为 10x 格式并使用 Cell Ranger 分析 Antibody/CRISPR 数据的流程与注意事项。
条形码转换工具使用说明,示例命令与参数解释,适用于将 DD barcode 转换为 10x barcode。
针对 SeekSoul Tools v1.3.0 与 TRUST4 的 ref 准备流程,包含从 IMGT 提取物种序列与格式化脚本示例。
SeekArc 平台数据与 10x 平台数据具有高度一致性,能够有效支持跨平台单细胞转录组研究的深入开展。
让我们一起探索生命科学的无限可能!
Built with ❤️ by SeekSoul Online Team