使用scHCL探索单细胞转录组细胞类型

2020年3月26日，浙江大学郭国骥团队在nature发表了人类单细胞水平的细胞景观。鉴定了60种人体组织样品涵盖八大系统的人类细胞图谱分析涉及人体100余种细胞大类和800余种细胞亚类。建立了70多万个单细胞的转录组数据库，基于该数据库，团队开发了scHCL单细胞比对系统用于人体细胞类型的识别，并搭建了人类细胞蓝图网站HCL（国家基因库镜像HCL）。

这么大规模的单细胞测序，细胞类型的鉴定肯定是一道亮丽的技术风景。同时，人类的细胞图谱的绘制对以后人类细胞类型的鉴定也定有他独特的借鉴意义。那么，文章中是如何鉴定的呢？

文章中有更为详细的描述，实现细节在R包https://github.com/ggjlab/scHCL中以及在线http://bis.zju.edu.cn/HCL/blast.html中。在线版的界面如下：

界面清晰明了。我们用scHCL来尝试做一下细胞类型的鉴定。

library(scHCL)
library(Seurat)
library(tidyverse)

# hcl_lung is an example expression matrix from HCL project.
> data(hcl_lung)
> dim(hcl_lung)
[1] 2884   80
# 2884 genes expression value of 80 cells

# scHCL has two parameters , single cell expression matrix(scdata) and 
# the number of most similar cell types
> hcl_result <- scHCL(scdata = hcl_lung, numbers_plot = 3)

 head(hcl_result$scHCL_probility)
       Cell                                        Cell type      Score
1 E18_2_C06      Stratified epithelial cell (Adult-Trachea2) 0.07423052
2 E18_2_C06       Epithelial cell_MSMB high (Adult-Trachea2) 0.06744750
3 E18_2_C06           Basal cell_KRT6A high (Adult-Trachea2) 0.07889934
4 E18_2_C07     Zona fasciculata cell (Fetal-Adrenal-Gland2) 0.05358975
5 E18_2_C07 Intra-adrenal chromoblast (Fetal-Adrenal-Gland4) 0.05475451
6 E18_2_C07                          Unknown (Fetal-Muscle1) 0.05533774

每个细胞亚群有三种可能，当然我们需要深入的探索一下，于是推出了shiny程序：

# open shiny for visualize result for scHCL
scHCL_vis(hcl_result)

那如何使用我们自己的数据呢？

我们先看一看，R包自带的参考数据集的信息。

 rm(list=ls())
library(scHCL)
load("C:\\Users\\Administrator\\Desktop\\scHCL-master\\data\\ref.expr.rda")
ref.expr[1:4,1:4]
      M2 Macrophage(Adult-Adipose1) Stromal cell(Adult-Adipose1) Adipocyte_SPP1 high(Adult-Adipose1) Mast cell(Adult-Adipose1)
CD163                      409.0000                    162.00000                                 285                       315
F13A1                      237.0000                     75.00000                                  52                       190
STAB1                      172.3333                     56.33333                                  66                       164
VSIG4                      188.3333                     52.33333                                  93                       113
 dim(ref.expr)
[1] 6075 1841
colnames(ref.expr)[1:4]
[1] "M2 Macrophage(Adult-Adipose1)"       "Stromal cell(Adult-Adipose1)"        "Adipocyte_SPP1 high(Adult-Adipose1)" "Mast cell(Adult-Adipose1)"

然后我们读入自己的数据：

met <- 'F:\\scOrange\\example\\GSM3587965_AML556-D15.dem.txt\\AML556-D15.dem.txt'
met <-readr::read_tsv(met)

Parsed with column specification:
cols(
  .default = col_double(),
  Gene = col_character()
)
See spec(...) for full column specifications.
|=============================================================================================================================================| 100%   64 MB
met[1:4,1:4]
# A tibble: 4 x 4
  Gene     `AML556-D15_AAAAAGGTGCTN` `AML556-D15_AAAAAGGTTTCT` `AML556-D15_AAAACCTCGGTN`
  <chr>                        <dbl>                     <dbl>                     <dbl>
1 A1BG                             0                         0                         0
2 A1BG-AS1                         0                         0                         0
3 A1CF                             0                         0                         0
4 A2M                              0                         0                         0
met <- as.data.frame(met)
rownames(met) <- met$Gene
met <- met[,-1]
met[1:4,1:4]
         AML556-D15_AAAAAGGTGCTN AML556-D15_AAAAAGGTTTCT AML556-D15_AAAACCTCGGTN AML556-D15_AAACACTAAGGN
A1BG                           0                       0                       0                       0
A1BG-AS1                       0                       0                       0                       0
A1CF                           0                       0                       0                       0
A2M                            0                       0                       0                       0
>

运行scHCL预测。

也可以先运行聚类求平均表达谱，用平均表达谱来做。这里由于我不知道分群多少合适，就直接用表达谱做了（这样比较慢）。

que.seu <-CreateSeuratObject(met)
que.seu_suerat <- scHCL(scdata = que.seu@assays$RNA, numbers_plot = 3)

我们来看看预测的结果：

que.seu_suerat$cors_matrix[1:4,1:4]
                                     AML556-D15_AAAAAGGTGCTN AML556-D15_AAAAAGGTTTCT AML556-D15_AAAACCTCGGTN AML556-D15_AAACACTAAGGN
M2 Macrophage (Adult-Adipose1)                    0.08364598              0.04890905              0.04529126              0.10508757
Stromal cell (Adult-Adipose1)                     0.05262400              0.03501448              0.02367288              0.06850328
Adipocyte_SPP1 high (Adult-Adipose1)              0.06046088              0.04372272              0.04175932              0.09665644
Mast cell (Adult-Adipose1)                        0.07187894              0.06195473              0.04336573              0.10477821
> que.seu_suerat$top_cors
[1] 3
> head(que.seu_suerat$scHCL_probility,5)
                     Cell                            Cell type     Score
1 AML556-D15_AAAAAGGTGCTN       T cells2 (Placenta_VentoTormo) 0.2451411
2 AML556-D15_AAAAAGGTGCTN Blood NK CD16+ (Placenta_VentoTormo) 0.2206799
3 AML556-D15_AAAAAGGTGCTN       T cells3 (Placenta_VentoTormo) 0.2256222
4 AML556-D15_AAAAAGGTTTCT       T cells2 (Placenta_VentoTormo) 0.2001931
5 AML556-D15_AAAAAGGTTTCT       T cells3 (Placenta_VentoTormo) 0.1936185

每个细胞numbers_plot =3 ，所以每个细胞展示3种celltype。

scHCL_vis(que.seu_suerat)

在单细胞同量那么高的情况下，其实人们没时间去鉴定每一个细胞的类型，而这里还给每个细胞好几种类型。其实可先分群做成一个平均表达谱，再mapping到bulk的表达谱上，以鉴定亚群的细胞类型。这里作为探索，我们取Score值最值，在某个Score范围内注释到的celltype最多的。我们先退一步根据每个细胞的类型推测分群的celltype。

 que.seu_suerat <- scHCL(scdata = que.seu@assays$RNA, numbers_plot = 1)
> que.seu_suerat$cors_matrix[1:4,1:4]
                                     AML556-D15_AAAAAGGTGCTN AML556-D15_AAAAAGGTTTCT AML556-D15_AAAACCTCGGTN AML556-D15_AAACACTAAGGN
M2 Macrophage (Adult-Adipose1)                    0.08364598              0.04890905              0.04529126              0.10508757
Stromal cell (Adult-Adipose1)                     0.05262400              0.03501448              0.02367288              0.06850328
Adipocyte_SPP1 high (Adult-Adipose1)              0.06046088              0.04372272              0.04175932              0.09665644
Mast cell (Adult-Adipose1)                        0.07187894              0.06195473              0.04336573              0.10477821
> que.seu_suerat$top_cors
[1] 1
> head(que.seu_suerat$scHCL_probility,5)
                     Cell                      Cell type     Score
1 AML556-D15_AAAAAGGTGCTN T cells2 (Placenta_VentoTormo) 0.2451411
2 AML556-D15_AAAAAGGTTTCT T cells2 (Placenta_VentoTormo) 0.2001931
3 AML556-D15_AAAACCTCGGTN T cells2 (Placenta_VentoTormo) 0.2413753
4 AML556-D15_AAACACTAAGGN T cells3 (Placenta_VentoTormo) 0.2812856
5 AML556-D15_AAACAGCTACAA T cells3 (Placenta_VentoTormo) 0.2290333
>

执行seurat标准流程：

rownames(que.seu_suerat$scHCL_probility) <- que.seu_suerat$scHCL_probility$Cell
que.seu %>% FindVariableFeatures() %>% 
  ScaleData() %>% 
  RunPCA() %>% 
  RunUMAP(dim=1:30) %>%
  FindNeighbors() %>%
 FindClusters(resolution =c(0.2,0.4,0.6,0.8))->que.seu   # 制定多种分群结果。

que.seu@meta.data$Cell <- rownames(que.seu@meta.data)
merge(que.seu@meta.data,que.seu_suerat$scHCL_probility,by= "Cell") -> que.seu@meta.data 
rownames(que.seu@meta.data) <- que.seu@meta.data$Cell

head(que.seu@meta.data)
                                           Cell orig.ident nCount_RNA nFeature_RNA RNA_snn_res.0.2
AML556-D15_AAAAAGGTGCTN AML556-D15_AAAAAGGTGCTN AML556-D15       1251          609               0
AML556-D15_AAAAAGGTTTCT AML556-D15_AAAAAGGTTTCT AML556-D15       1253          529               0
AML556-D15_AAAACCTCGGTN AML556-D15_AAAACCTCGGTN AML556-D15       1610          671               0
AML556-D15_AAACACTAAGGN AML556-D15_AAACACTAAGGN AML556-D15       1229          597               0
AML556-D15_AAACAGCTACAA AML556-D15_AAACAGCTACAA AML556-D15       1062          547               0
AML556-D15_AAACCTCCGGGA AML556-D15_AAACCTCCGGGA AML556-D15       1325          708               0
                        RNA_snn_res.0.4 RNA_snn_res.0.6 RNA_snn_res.0.8 seurat_clusters
AML556-D15_AAAAAGGTGCTN               0               1               1               1
AML556-D15_AAAAAGGTTTCT               0               0               0               0
AML556-D15_AAAACCTCGGTN               0               0               0               0
AML556-D15_AAACACTAAGGN               0               0               0               0
AML556-D15_AAACAGCTACAA               0               1               1               1
AML556-D15_AAACCTCCGGGA               1               2               2               2
                                             Cell type     Score
AML556-D15_AAAAAGGTGCTN T cells2 (Placenta_VentoTormo) 0.2451411
AML556-D15_AAAAAGGTTTCT T cells2 (Placenta_VentoTormo) 0.2001931
AML556-D15_AAAACCTCGGTN T cells2 (Placenta_VentoTormo) 0.2413753
AML556-D15_AAACACTAAGGN T cells3 (Placenta_VentoTormo) 0.2812856
AML556-D15_AAACAGCTACAA T cells3 (Placenta_VentoTormo) 0.2290333
AML556-D15_AAACCTCCGGGA T cells2 (Placenta_VentoTormo) 0.2517737

差异分析：

 
DT::datatable(FindAllMarkers(que.seu))
Calculating cluster 0
  |++++++++++++++++++++++++++++++++++++++++++++++++++| 100% elapsed=23s  
Calculating cluster 1
  |++++++++++++++++++++++++++++++++++++++++++++++++++| 100% elapsed=26s  
Calculating cluster 2
  |++++++++++++++++++++++++++++++++++++++++++++++++++| 100% elapsed=19s  
Calculating cluster 3
  |++++++++++++++++++++++++++++++++++++++++++++++++++| 100% elapsed=28s  
Calculating cluster 4
  |++++++++++++++++++++++++++++++++++++++++++++++++++| 100% elapsed=01m 07s
Calculating cluster 5
  |++++++++++++++++++++++++++++++++++++++++++++++++++| 100% elapsed=24s

这可以和HCL官网的数据做个比较:

做个我们的桑基图看一看我们的注释结果吧。

library(sankeywheel)
sankeywheel(
  from = que.seu@meta.data$seurat_clusters, to = que.seu@meta.data$`Cell type`,
  weight = que.seu@meta.data$Score,#type = "sankey",
  title = "sk",
  subtitle = "scHCL Project",
  seriesName = "", width = "100%", height = "600px"
)

还是掰直了吧：

我们看到0,1,2到细胞类型那都比价均匀第混合在一起了，再看看他们最可能的注释结果：

que.seu@meta.data %>% 
  group_by(seurat_clusters,`Cell type`)  %>%  
  count(`Cell type`)   %>% 
  arrange(seurat_clusters,desc(n))  %>% 
  group_by(seurat_clusters)%>% 
  top_n(1)#summarise()

Selecting by n
# A tibble: 6 x 3
# Groups:   seurat_clusters [6]
  seurat_clusters `Cell type`                                                            n
  <fct>           <fct>                                                              <int>
1 0               T cells2 (Placenta_VentoTormo)                                       252
2 1               T cells2 (Placenta_VentoTormo)                                       239
3 2               T cells2 (Placenta_VentoTormo)                                       131
4 3               B cell (Plasmocyte) (Adult-Thyroid2)                                  38
5 4               Immature myeloid progenitor cell (Haematopoietic-Stem-Cell_Velten)    59
6 5               dNKp (Placenta_VentoTormo)                                            25

这是seurat_clusters = RNA_snn_res.0.8 时的分群以及注释结果，果然0,1,2都注释到了同一种细胞类型，这是真的吗？所以我们希望知道这三个群的关系是怎样的呢？

library(clustree)
que.seu@meta.data %>% 
  select(starts_with("RNA_snn_res"))  %>% 
  mutate(RNA_snn_res.0.0=0)%>% 
  clustree( prefix = "RNA_snn_res.0")

他们真的就是来自 RNA_snn_res.0.2时的同一个群啊，这是不是启发我们：其实分为3-4个群也是可以呢？

当 RNA_snn_res.0.2时:

que.seu@meta.data %>% 
  group_by(RNA_snn_res.0.2,`Cell type`)  %>%  
  count(`Cell type`)   %>% 
  arrange(RNA_snn_res.0.2,desc(n))  %>% 
  group_by(RNA_snn_res.0.2)%>% 
  top_n(1)#summarise()

Selecting by n
# A tibble: 3 x 3
# Groups:   RNA_snn_res.0.2 [3]
  RNA_snn_res.0.2 `Cell type`                                                            n
  <fct>           <fct>                                                              <int>
1 0               T cells2 (Placenta_VentoTormo)                                       621
2 1               Immature myeloid progenitor cell (Haematopoietic-Stem-Cell_Velten)    61
3 2               B cell (Plasmocyte) (Adult-Thyroid2)            38

que.seu@meta.data %>% mutate(CellType = ifelse(RNA_snn_res.0.2 == 0,"T cells2 (Placenta_VentoTormo)",
                                               ifelse(RNA_snn_res.0.2==1,"Immature myeloid progenitor cell (Haematopoietic-Stem-Cell_Velten)",
                                                      "B cell (Plasmocyte) (Adult-Thyroid2)")))->que.seu@meta.data 
rownames(que.seu@meta.data ) <-que.seu@meta.data$Cell
head(que.seu@meta.data)

DimPlot(que.seu,group.by ="CellType")

这里是探索细胞类型，而不是百分百的鉴定它，但是这至少给了我们一个可能的选择。我相信细胞类型的注释会随着单细胞图谱的发表而得到改善，基于表达谱mapping的方法是个应用的方向。其实之前我们用seurst就讲过它可以把未知类型的细胞mapping到reference上,只是一直以来缺少可以mapping的reference。

ref.seu <-CreateSeuratObject(ref.expr)
ref.seu %>% FindVariableFeatures() %>% ScaleData() %>% RunPCA() -> ref.seu


head(ref.seu@meta.data)
?FindTransferAnchors

anchors  <- FindTransferAnchors(reference = ref.seu, query = que.seu,
                                dims = 1:30,k.anchor = 3 ,k.filter = 50,
                                features = intersect(VariableFeatures(que.seu),VariableFeatures(ref.seu))[1:500])# features = VariableFeatures(rque.seu)[1:500]


?TransferData
ref.seu %>% FindNeighbors()  -> ref.seu
ref.seu <-FindClusters(
  ref.seu,
  resolution = c(0.2)
)

head(ref.seu@meta.data)
table(Idents(ref.seu))
predictions <- TransferData(anchorset = anchors, refdata = ref.seu@meta.data$seurat_clusters, 
                            dims = 1:10,
                            k.weight = 5,)
head(predictions)

query <- AddMetaData(que.seu, metadata = predictions)
head(query@meta.data)
query$prediction.match <- query$predicted.id == query$celltype

query %>% RunUMAP(dims = 1:30)%>% RunTSNE(dims = 1:30) -> query

head(query@meta.data)
                                           Cell orig.ident nCount_RNA nFeature_RNA RNA_snn_res.0.2
AML556-D15_AAAAAGGTGCTN AML556-D15_AAAAAGGTGCTN AML556-D15       1251          609               0
AML556-D15_AAAAAGGTTTCT AML556-D15_AAAAAGGTTTCT AML556-D15       1253          529               0
AML556-D15_AAAACCTCGGTN AML556-D15_AAAACCTCGGTN AML556-D15       1610          671               0
AML556-D15_AAACACTAAGGN AML556-D15_AAACACTAAGGN AML556-D15       1229          597               0
AML556-D15_AAACAGCTACAA AML556-D15_AAACAGCTACAA AML556-D15       1062          547               0
AML556-D15_AAACCTCCGGGA AML556-D15_AAACCTCCGGGA AML556-D15       1325          708               0
                        RNA_snn_res.0.4 RNA_snn_res.0.6 RNA_snn_res.0.8 seurat_clusters
AML556-D15_AAAAAGGTGCTN               0               1               1               1
AML556-D15_AAAAAGGTTTCT               0               0               0               0
AML556-D15_AAAACCTCGGTN               0               0               0               0
AML556-D15_AAACACTAAGGN               0               0               0               0
AML556-D15_AAACAGCTACAA               0               1               1               1
AML556-D15_AAACCTCCGGGA               1               2               2               2
                                             Cell type     Score                       CellTpye
AML556-D15_AAAAAGGTGCTN T cells2 (Placenta_VentoTormo) 0.2451411 T cells2 (Placenta_VentoTormo)
AML556-D15_AAAAAGGTTTCT T cells2 (Placenta_VentoTormo) 0.2001931 T cells2 (Placenta_VentoTormo)
AML556-D15_AAAACCTCGGTN T cells2 (Placenta_VentoTormo) 0.2413753 T cells2 (Placenta_VentoTormo)
AML556-D15_AAACACTAAGGN T cells3 (Placenta_VentoTormo) 0.2812856 T cells2 (Placenta_VentoTormo)
AML556-D15_AAACAGCTACAA T cells3 (Placenta_VentoTormo) 0.2290333 T cells2 (Placenta_VentoTormo)
AML556-D15_AAACCTCCGGGA T cells2 (Placenta_VentoTormo) 0.2517737 T cells2 (Placenta_VentoTormo)
                                              CellType predicted.id prediction.score.1
AML556-D15_AAAAAGGTGCTN T cells2 (Placenta_VentoTormo)            2          0.0000000
AML556-D15_AAAAAGGTTTCT T cells2 (Placenta_VentoTormo)            2          0.1732816
AML556-D15_AAAACCTCGGTN T cells2 (Placenta_VentoTormo)            2          0.0000000
AML556-D15_AAACACTAAGGN T cells2 (Placenta_VentoTormo)            2          0.1732816
AML556-D15_AAACAGCTACAA T cells2 (Placenta_VentoTormo)            2          0.0000000
AML556-D15_AAACCTCCGGGA T cells2 (Placenta_VentoTormo)            2          0.0000000
                        prediction.score.0 prediction.score.3 prediction.score.5 prediction.score.2
AML556-D15_AAAAAGGTGCTN                  0                  0                  0          1.0000000
AML556-D15_AAAAAGGTTTCT                  0                  0                  0          0.8267184
AML556-D15_AAAACCTCGGTN                  0                  0                  0          1.0000000
AML556-D15_AAACACTAAGGN                  0                  0                  0          0.8267184
AML556-D15_AAACAGCTACAA                  0                  0                  0          1.0000000
AML556-D15_AAACCTCCGGGA                  0                  0                  0          1.0000000
                        prediction.score.6 prediction.score.4 prediction.score.max
AML556-D15_AAAAAGGTGCTN                  0                  0            1.0000000
AML556-D15_AAAAAGGTTTCT                  0                  0            0.8267184
AML556-D15_AAAACCTCGGTN                  0                  0            1.0000000
AML556-D15_AAACACTAAGGN                  0                  0            0.8267184
AML556-D15_AAACAGCTACAA                  0                  0            1.0000000
AML556-D15_AAACCTCCGGGA                  0                  0            1.0000000
#

#DimPlot(query,group.by ="predicted.id")

最后编辑于：2020.03.29 17:25:40

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 219,366评论 6赞 508
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 93,521评论 3赞 395
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 165,689评论 0赞 356
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 58,925评论 1赞 295
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 67,942评论 6赞 392
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 51,727评论 1赞 305
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 40,447评论 3赞 420
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 39,349评论 0赞 276
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 45,820评论 1赞 317
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 37,990评论 3赞 337
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 40,127评论 1赞 351
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 35,812评论 5赞 346
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 41,471评论 3赞 331
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 32,017评论 0赞 22
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 33,142评论 1赞 272
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 48,388评论 3赞 373
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 45,066评论 2赞 355

使用scHCL探索单细胞转录组细胞类型

推荐阅读更多精彩内容