Interactive hub
•
scRNA-seq workflow overview
互動式 scRNA-seq 分析流程
這個首頁作為總覽頁，簡要介紹單細胞 RNA 定序分析的主要步驟，並連結到各步驟的獨立教學頁面，例如 QC、Normalization、Scaling、PCA、Clustering、UMAP 與下游分析。適合作為 GitHub Pages 的入口頁面。
Workflow at a glance
🧪
QC
過濾低品質細胞與異常值
⚖️
Normalization
校正測序深度差異
📏
Scaling
標準化基因尺度與變異
📉
PCA
提取主要變異訊號
🧩
Clustering
辨識細胞群集
🗺️
UMAP
視覺化高維資料結構
Tutorial Map
各步驟教學連結
每張卡片都可直接連到對應的 html 頁面
🧪
QC
Step 1檢查 nFeature、nCount、percent.mt，移除低品質細胞、doublets 與潛在 outliers。
⚖️
Normalization
Step 2校正細胞間測序深度差異，讓不同細胞之間的表達值更可比較。
✨
Variable Features
Step 3挑選具有高生物學變異的基因，作為 PCA 與聚類分析的主要輸入特徵。
📏
Scaling
Step 4進行 Z-score 標準化，讓基因在相近尺度下進入 PCA 等下游分析。
📉
PCA
Step 5將高維基因表達資料壓縮成主要主成分，保留關鍵變異與降低噪音。
🧩
Clustering
Step 6依據 PCA 空間中的近鄰關係建立圖網路，辨識細胞族群與亞群。
🗺️
UMAP
Step 7將高維資料投影到 2D 空間，便於觀察細胞群間的相對關係與分布。
🏷️
Annotation
Step 8根據 marker genes、生物學背景與文獻資訊，為 cluster 指定細胞類型名稱。
🧾
Differential Expression
Step 9比較不同 cluster 或 condition 的基因表達差異，找出 markers 與疾病訊號。
🔗
Integration
Advanced整合多樣本或多批次資料，降低 batch effect 並保留真實生物學差異。
💬
Cell-Cell Communication
Advanced分析 ligand-receptor interactions，探索細胞間訊號傳遞與微環境調控。
🛤️
Trajectory / Pseudotime
Advanced推估細胞狀態轉變與發育路徑，適合研究 differentiation 或 disease progression。