十、云手
后坐扣脚 转体松勾 并步云手 开步云手 并步云手
开步云手 开步云手 扣脚云手
在标准的Seurat工作流程中，我们重点关注此数据集的10个PC，尽管我们强调指出，此参数的设置较高时，结果相似。有趣的是，我们发现使用sctransform时，通常可以通过将此参数设得更高来受益。我们认为这是因为sctransform工作流程执行了更有效的规范化，从而从数据中强烈消除了技术影响。
即使经过标准的对数归一化后，测序深度的变化仍然是一个混杂因素（请参见图1），并且这种影响会微妙地影响更高的PC。在sctransform中，此效果已大大减轻（请参见图3）。这意味着更高的PC更可能代表微妙的但与生物学相关的异质性来源-因此包括它们可能会改善下游分析。
此外，默认情况下，sctransform返回3,000个可变基因，而不是2,000。基本原理相似，其他可变特征不太可能受细胞间技术差异的驱动，而可能代表更微妙的生物学波动。通常，我们发现用sctransform生成的结果对这些参数的依赖性较小（实际上，在转录组中使用所有基因时，我们获得了几乎相同的结果，尽管这确实降低了计算效率）。这可以帮助用户生成更可靠的结果，此外，还可以使用具有相同参数设置的标准分析管道进行应用，这些参数设置可以快速应用于新的数据集：
例如，以下代码在一个命令中复制了完整的端到端工作流程：
pbmc <- CreateSeuratObject(pbmc_data) %>% PercentageFeatureSet(pattern = "^MT-", col.name = "percent.mt") %>%
SCTransform(vars.to.regress = "percent.mt") %>% RunPCA() %>% FindNeighbors(dims = 1:30) %>%
RunUMAP(dims = 1:30) %>% FindClusters()
