老生常談的scRNASeq基本操作和原理：
scrnaseq 的測序方法發展的年表：
在看一下列表：
分選單細胞的96孔板：
分析前的常規數據處理：FastQC、Trimming Reads、Demultiplexing（identify cell containing droplets）、using STAR to align（with genome）、 Kallisto align（align without genome，using k-mers method）、construct expression matrix（with UMIs）、Bioconductor to analysis the raw data（SingleCellExperiment，scater，ggplot2）、Expression QC、data visualization、identify confounding factors、normalized expression data
得到均一化之后的matrix之后：
Biological analysis：Clustering 、Feature selection、Pseudotime analysis、Imputation、DE
Seurat：Create seurat object、Normalization、Highly variable genes、dealing with confounders、linear dimensionality reduction、significant PCs、clustering cells、markers genes
主要講一講降維分析中的Seurat：
需要在R里面加載的包：
用小提琴圖以及基因圖來做一些數據的觀測之后（Vlnplot、Geneplot、FilterCells），對數據做normalized（NormalizeData）、以及find highly variable genes（FindVariableGenes）、dealing with confounders（ScaleData）、LDR（RunPCA、printPCA、PCAPlot、PCHeatmap）、Significant PCs（JackStraw、JackStrawPlot、PCEIbowPlot）、clustering cells（FIndClusters、PrintFindClusterParams、adjustedRandIndex、RunTSNE、TSNEPlot）、marker genes（FIndMarkers、VlnPlot、FeaturePlot、FIndALLMarkers）
兩種marker genes的violin plot以及全部marker genes的tSNEplot
整體Scrnaseq date的分析流程和思路是很清晰明確的，本教程幾乎滿足了所有scrnaseq中目前遇到的問題和解決方法，可以說是一本單細胞下機數據分析以及degub的Brochure