- Invoer:eencellige RNA-seq-gegevens (telmatrix)

- Kwaliteitscontrole (QC):Verwijder cellen en genen van lage kwaliteit

- Gegevensnormalisatie:normaliseer de gegevens om technische vooroordelen te corrigeren

2. Clustering

- Voer clustering uit op de genormaliseerde gegevens om celclusters te identificeren

- Er kunnen verschillende clustermethoden worden gebruikt (bijv. k-means, hiërarchische clustering, Leuven)

3. Markergenidentificatie

- Voor elk cluster:

- Bereken de gemiddelde expressie van elk gen in de cellen in het cluster

- Vergelijk de gemiddelde expressie van genen in het cluster met die in andere clusters

- Identificeer genen die in het cluster sterk tot expressie komen in vergelijking met andere clusters

4. Validatie van markergenen

- Er kunnen aanvullende criteria worden toegepast om markergenen te selecteren:

- Vouwverandering:Denk aan genen met een hoge vouwverandering tussen het cluster en andere clusters

- Statistische significantie:gebruik statistische tests (bijv. t-test, Wilcoxon-test) om de significantie van expressieverschillen te beoordelen

- Specificiteit:Zorg ervoor dat markergenen selectief tot expressie worden gebracht in het betreffende cluster

5. Interpretatie en visualisatie

- Analyseer de functies en routes die verband houden met de geïdentificeerde markergenen

- Genereer heatmaps, vulkaanplots of andere visualisaties om de markergenen en hun expressiepatronen te presenteren

6. Validatie in onafhankelijke datasets (optioneel)

- Om het vertrouwen te vergroten, valideert u de geïdentificeerde markergenen in een onafhankelijke dataset, indien beschikbaar.