推荐课程：Analysis of single cell RNA-seq data (singlecellcourse.org)
1 关于《Analysis of single cell RNA-seq data》课程
如今，通过高通量测序（scRNA-seq）可以从单细胞获取全基因组转录组数据。scRNA-seq 的主要优势在于其单细胞分辨率和全基因组范围，使得能够解决其他方法（如批量 RNA-seq 或单细胞 RT-qPCR）无法解决的问题。然而，分析 scRNA-seq 数据需要新的方法，并且针对批量 RNA-seq 实验开发的方法中的一些基础假设已不再适用。
在本课程中，作者探讨可以通过 scRNA-seq 解决的一些问题，以及可用的计算和统计方法。课程由剑桥大学Bioinformatics Training (cam.ac.uk)提供，但这些页面上的材料旨在为任何对学习 scRNA-seq 数据的计算分析感兴趣的人提供参考。该课程每年开设两次，并且课程材料会在每次开课前进行更新。
2 GitHub
代码库：GitHub - cellgeni/scRNA.seq.course: Analysis of single cell RNA-seq data course
上面这个是目前对单细胞数据分析来说比较好的入门教程，但是是基于R语言的。
后续会进行基于python的单细胞数据分析工作。
3 OmicVerse
Zeng, Z., Ma, Y., Hu, L. et al. OmicVerse: a framework for bridging and deepening insights across bulk and single-cell sequencing. Nat Commun 15, 5983 (2024). https://doi.org/10.1038/s41467-024-50194-3
论文《OmicVerse: a framework for bridging and deepening insights across bulk and single-cell sequencing》介绍了单细胞轨迹融合自批量 RNA-seq（BulkTrajBlend）算法，这是 OmicVerse 套件中的一个组件，利用 Beta 变分自编码器（Beta-Variational AutoEncoder）进行数据解卷积，并使用图神经网络（Graph Neural Networks）发现重叠的社区。该方法有效地插值并恢复了单细胞 RNA 测序数据集中“遗漏”细胞的连续性。此外，OmicVerse 提供了一个广泛的工具包，适用于批量和单细胞 RNA-seq 分析，提供无缝访问多种方法，简化了计算过程，促进了精美的数据可视化，并为提取重要的生物学洞见提供支持，从而推动科学研究的进展。
OmicVerse在Python环境中创建一个适用于bulk/singel RNA-seq分析和优美可视化的生态系统。用户可以利用Python社区的机器学习模型和专业知识，使用单一编程语言进行全面的转录组分析。
4 GitHub
GitHub - Starlitnightly/omicverse: A python library for multi omics included bulk, single cell and spatial RNA-seq analysis.
科研学习是一个持之以恒的过程，加油！
