专业生物信息学家也懂大家的痛，这不，单细胞测序数据兴起的时代，大佬们就在推出应对单细胞测序数据的在线工具 （Granatum），方便你我他。
聊一下这个分析平台的背景，该平台由夏威夷大学癌症中心等研究团队开发，相关学术论文发表在 Genomic Medicine杂志， IF=8.9. 感谢大佬们开发了这么好用的工具。
另外，Granatum在线工具也是开源的，可以部署到本地，或下载下来学习下其代码写法。
来来来，先看看大概长啥样：
界面干净清爽，一目了然，各个数据分析步骤都列出了，来示例操作一波，检验下效果如何，假设你有一份单细胞的数据，格式如下：
表达数据 (生信宝典注：原始reads count，后面有更详细示例)：
meta data信息准备一下 (生信宝典注：meta data包含的是样本属性信息，第一列为样本名字，与表达矩阵第一行一一对应，顺序也最好一致。其他列是样本的来源、分组、其他表型信息、reads比对信息等，有多少写多少，至少2列。属性信息可用于后续的可视化展示、批次效应移除、差异比较等。)
数据格式详解
准备上传数据了，并且提交：
移除批次效应（生信宝典注：下拉框的值对应于样本的属性信息列），操作简单，随心所欲的点击式完成：
PCA和tSNE （在网站点击下就可以做，样品属性信息这里用来设置颜色。这属于质控部分，先看下聚类结果。还在用PCA降维？快学学大牛最爱的t-SNE算法吧（附Python/R代码） || PCA主成分分析实战和可视化 | 附R代码和测试数据）
选择标准化方法，进行数据标准化（生信宝典注：标准化后数据的分布一致）：
过滤低表达基因 （生信宝典注：过滤低表达基因不只可以加快后续计算速度，还有利于多重假设检验校正）
选择聚类方法，进行聚类，聚类结果可以直接下载
差异分析，提供各种算法的选择：
实际上不需要这么长时间的，稍等几分钟结果就来了
顺手再做个KEGG富集分析
蛋白网络分析和发育轨迹分析
其他单细胞分析软件比较
下面的白介素同学不再演示了，总之就是能完成一套分析，但注意不是从原始数据开始的，而是提供了表达矩阵开始的。 个人认为，就应用而言没有必要从原始数据开始，完全可以从表达矩阵开始，自己做适当的个性化分析，这样的工具足够了，比盲目的为了解决分析步骤去傻傻的学了会R语言有效得多。还是那句话，分工协作产生效能，是现代社会的本质。 有实力的研究团队，在这样一个组学时代，当然是需要配备专业生信专家来加速课题进展的。请不起专业的，偶尔用一用在线工具，辅助下分析，挺好的。
