高维转录分析是一种先进的技术，可同时分析单个细胞中数千个基因的基因表达模式。这种方法由单细胞 RNA 测序 (scRNA-seq) 和空间转录组学等技术提供支持，可捕获异质细胞群内复杂的转录景观，从而深入了解组织内或发育阶段的细胞状态、功能和相互作用。

High-dimensional transcriptional profiling of cells | ViaDean

参考文献

🗯️MATLAB高维转录分析代码片段

在 MATLAB 中进行高维转录分析（例如单细胞 RNA 测序 scRNA-seq 分析）可以使用以下步骤，包括数据导入、预处理、降维、聚类和差异表达分析。 MATLAB 的矩阵操作能力和工具箱（如统计和机器学习工具箱）提供了高效的分析手段。

以下是高维转录分析的步骤：

1. 数据导入

使用 readmatrix 导入基因表达数据，通常数据表包含基因名称和细胞的表达值。

 % 读取数据
 data = readmatrix('gene_expression.csv'); % 数据格式：行 = 基因, 列 = 细胞
 genes = data(:,1); % 假设第一列为基因名称
 counts_matrix = data(:,2:end); % 提取基因表达矩阵

2. 质量控制和预处理

过滤表达较低的细胞和基因以提高分析质量。

 % 计算每个细胞和基因的计数
 cell_counts = sum(counts_matrix, 1);
 gene_counts = sum(counts_matrix, 2);
 ​
 % 设置过滤标准
 min_gene_threshold = 200; % 每个细胞最少基因数
 min_cell_threshold = 10; % 每个基因最少细胞数
 ​
 % 筛选满足条件的细胞和基因
 filtered_cells = cell_counts > min_gene_threshold;
 filtered_genes = gene_counts > min_cell_threshold;
 ​
 % 过滤表达矩阵
 counts_matrix_filtered = counts_matrix(filtered_genes, filtered_cells);
 genes_filtered = genes(filtered_genes);

3. 归一化和对数转换

使用每个细胞的总表达值进行归一化，然后取对数转换。

 % 归一化每个细胞的总计数
 total_counts_per_cell = sum(counts_matrix_filtered, 1);
 normalized_counts = counts_matrix_filtered ./ total_counts_per_cell;
 ​
 % 对数转换
 log_normalized_counts = log1p(normalized_counts);

4. 降维分析（主成分分析 PCA）

使用 PCA 降维并可视化。

 % 中心化数据
 data_centered = log_normalized_counts - mean(log_normalized_counts, 2);
 ​
 % 执行 PCA
 [coeff, score, ~, ~, explained] = pca(data_centered');
 ​
 % 选择前两个主成分绘制散点图
 scatter(score(:,1), score(:,2));
 title('PCA of Gene Expression');
 xlabel('PC1');
 ylabel('PC2');

5. 聚类分析（K-means 聚类）

对 PCA 降维结果进行聚类（如 K-means）。

 k = 5; % 假设分为5类
 idx = kmeans(score(:,1:10), k); % 使用前10个主成分
 ​
 % 绘制聚类结果
 gscatter(score(:,1), score(:,2), idx);
 title('K-means Clustering on PCA-reduced Data');
 xlabel('PC1');
 ylabel('PC2');