有了生物信息学数据分析，生命科学领域研究从此大不一样，不再是玄学。而且很多高质量的CNS文章，还好把配套文章的图表的数据和代码全部开源。比如前些天我们公布了唐医生推荐的《这个20G的单细胞项目数据和代码的压缩包有什么（python数据分析典范）》，很多粉丝表示从来没有想过居然需要学python，不是说好的基于R语言的统计可视化吗？
强烈要求我们推荐纯粹的R语言的文献图表复现全套代码，其实很容易检索到，2020奶牛7月仅仅是单细胞高分（IF>9）文章就有一百多篇，全部的单细胞相关文章有六七百篇了。一般来说，公布代码，都是在GitHub，所以只需要关键词合适，搜索十几篇带有配套文章的图表的数据和代码很正常。
我从这些CNS文章里面精挑细选了一个非常值得大家花时间跟下去的，就是新鲜出炉的发表在CELL杂志的：Therapy-Induced Evolution of Human Lung Cancer Revealed by Single-Cell RNA Sequencing 。全套代码在：https://github.com/czbiohub/scell_lung_adenocarcinoma
而且是以rmarkdown形式组织的条理清楚，目录如下:
01_Import_data_and_metadata.Rmd02.1_Create_Seurat_object_neo_osi.Rmd02_Create_Seurat_object.Rmd03.1_Subset_and_general_annotations.Rmd03_Merge_in_NeoOsi.Rmd03_Subset_and_general_annotations.RmdIM01_Subset_cluster_annotate_immune_cells.RmdIM02_immune_cell_changes_with_response_to_treatment.RmdIM03_Subset_cluster_annotate_MFs-monocytes_LUNG.RmdIM04_Subset_cluster_annotate_T-cells_LUNG.RmdIM05_Immune_cells_across_pats_with_multiple_biopsies.RmdIM06_Combine_Immune_and_nonImmune_annotations.RmdNI01_General_annotation_of_nonimmune_cells.RmdNI02_epi_subset_and_cluster.RmdNI03_inferCNV.RmdNI04_Cancer_cells_DEgenes.RmdNI05_Annotation_of_Nontumor_epi.RmdNI06_mutation_analysis.RmdNI07_TH226_cancercell_analysis.RmdNI08_Gene_expression_plotting.RmdNI09_AT2_sig_compare.RmdNI10_TCGA_clinical_outcomes.RmdNI14_qpcr_analysis.RmdNI15_multiplex_IF_analysis.RmdNI16_cancercell_EGFR_ALK.RmdNI16_regression_analyses.RmdNI17_cancercell_PDsigs.RmdV01_various_small_plots.Rmd每个步骤都清清楚楚，主要是是单细胞基础10讲相关内容而已：
还有一些个性化汇总。文章的主线就是分群，然后继续分群。细胞数量也不多，大家的电脑基本上都可以hold住，第一次分群如下：
第二次分群，就是细化每一个亚群进行深入讨论，这就是这篇文章的主要图表啦，所以大家完全不用担心看不懂它。
如下你想看懂它们，毫无疑问，你的R语言需要过关。自己想办法把R的知识点路线图搞定，如下：
每个人写代码的习惯不一样，而且有更好的rmarkdown书写方式，大家都可以运行一遍作者提供的数据和代码，在他们的基础上面进行创作和发挥：
---title: "关于批次效应矫正后出现负值"author: "YuanSH"date: "8/13/2020"output: html_document: theme: cerulean toc: true # toc_depth: 2 toc_float: true---<!-- <font color=#e8505b>**non-biological factors**</font> -->
```{r setup, include=FALSE}knitr::opts_chunk$set(echo = TRUE)```联系客服
