- Entrée :données de séquence d'ARN unicellulaire (matrice de comptage)

- Contrôle qualité (QC) :élimine les cellules et les gènes de mauvaise qualité

- Normalisation des données :normaliser les données pour corriger les biais techniques

2. Clustering

- Effectuer un clustering sur les données normalisées pour identifier les clusters de cellules

- Différentes méthodes de clustering peuvent être utilisées (par exemple, k-means, clustering hiérarchique, Louvain)

3. Identification du gène marqueur

- Pour chaque cluster :

- Calculer l'expression moyenne de chaque gène dans les cellules du cluster

- Comparer l'expression moyenne des gènes du cluster à celle des autres clusters

- Identifier les gènes fortement exprimés dans le cluster par rapport aux autres clusters

4. Validation du gène marqueur

- Des critères supplémentaires peuvent être appliqués pour sélectionner les gènes marqueurs :

- Changement de pli :considérez les gènes avec un changement de pli élevé entre le cluster et les autres clusters

- Signification statistique :utilisez des tests statistiques (par exemple, test t, test de Wilcoxon) pour évaluer la signification des différences d'expression

- Spécificité :S'assurer que les gènes marqueurs sont exprimés sélectivement dans le cluster d'intérêt

5. Interprétation et visualisation

- Analyser les fonctions et voies associées aux gènes marqueurs identifiés

- Générez des cartes thermiques, des tracés de volcan ou d'autres visualisations pour présenter les gènes marqueurs et leurs modèles d'expression

6. Validation dans des ensembles de données indépendants (facultatif)

- Pour accroître la confiance, validez les gènes marqueurs identifiés dans un ensemble de données indépendant si disponible.