- Indata:Encellig RNA-sekvensdata (räknematris)

- Kvalitetskontroll (QC):Ta bort celler och gener av låg kvalitet

- Datanormalisering:Normalisera data för att korrigera för tekniska fördomar

2. Klustring

- Utför klustring på normaliserade data för att identifiera cellkluster

- Olika klustringsmetoder kan användas (t.ex. k-means, hierarkisk klustring, Louvain)

3. Identifiering av markörgen

- För varje kluster:

- Beräkna medeluttrycket av varje gen över celler i klustret

- Jämför medeluttrycket av gener i klustret med det i andra kluster

- Identifiera gener som är mycket uttryckta i klustret jämfört med andra kluster

4. Markörgenvalidering

- Ytterligare kriterier kan tillämpas för att välja markörgener:

- Vikningsförändring:Tänk på gener med hög veckförändring mellan klustret och andra kluster

- Statistisk signifikans:Använd statistiska tester (t.ex. t-test, Wilcoxon-test) för att bedöma signifikansen av uttrycksskillnader

- Specificitet:Se till att markörgener uttrycks selektivt i klustret av intresse

5. Tolkning och visualisering

- Analysera funktionerna och vägarna associerade med de identifierade markörgenerna

- Generera värmekartor, vulkanplottar eller andra visualiseringar för att presentera markörgenerna och deras uttrycksmönster

6. Validering i oberoende datamängder (valfritt)

- För att öka förtroendet, validera de identifierade markörgenerna i en oberoende datauppsättning om tillgänglig.