EVIDENCE INFRASTRUCTURE
Reference Library
文献库
查找教程论断所依据的方法论文、指南和官方文档。先读推荐理由，再按原文的方法、数据与适用范围复核；进一步阅读用于拓展知识，不代表它支持页面上的每一条结论。
108 / 108 条记录
每条文献只存一次，由正文、参数与 Figure Source 通过 ID 复用。Seurat: NormalizeData
Satija Lab.
为什么推荐：核对 LogNormalize 的逐细胞分母、scale.factor 与 log1p。
查看原文Seurat: FindVariableFeatures
Satija Lab.
为什么推荐：核对 VST、均值—方差关系及 nfeatures 的含义。
查看原文Seurat: FindNeighbors
Satija Lab.
为什么推荐：区分 NN、SNN 与 Neighbor 对象，核对 graph.name 和 return.neighbor。
查看原文Seurat: FindClusters
Satija Lab.
为什么推荐：核对 algorithm=4、图输入、resolution 与标签存储方式。
查看原文Scanpy: calculate_qc_metrics
scverse developers.
为什么推荐：核对 counts、检测基因数与 qc_vars 的计数定义。
查看原文Scanpy 1.11.5: normalization implementation
scverse developers.
为什么推荐：核对 target_sum 的逐细胞归一化过程。
查看原文Scanpy 1.11.5: highly_variable_genes implementation
scverse developers.
为什么推荐：核对 seurat_v3 要求 raw counts 以及 scikit-misc 依赖。
查看原文Scanpy 1.11.5: leiden implementation
scverse developers.
为什么推荐：核对 igraph 后端、connectivities 输入与 key_added。
查看原文UMAP: Uniform Manifold Approximation and Projection
Leland McInnes, John Healy, Nathaniel Saul, Lukas Großberger. Journal of Open Source Software, 2018.
为什么推荐：理解 UMAP 的算法目标，并避免把二维距离直接当作真实生物距离。
DOI 10.21105/joss.00861 查看原文Comprehensive Integration of Single-Cell Data
Tim Stuart et al.. Cell, 2019.
为什么推荐：了解 Seurat 数据整合框架的来源、适用目标与技术假设。
DOI 10.1016/j.cell.2019.05.031 PMID 31178118 PMC6687398 查看原文SCANPY: large-scale single-cell gene expression data analysis
F. Alexander Wolf, Philipp Angerer, Fabian J. Theis. Genome Biology, 2018.
为什么推荐：理解 Scanpy 的数据结构与可扩展单细胞分析工作流。
DOI 10.1186/s13059-017-1382-0 PMID 29409532 PMC5802054 查看原文From Louvain to Leiden: guaranteeing well-connected communities
Vincent A. Traag, Ludo Waltman, Nees Jan van Eck. Scientific Reports, 2019.
为什么推荐：理解聚类发生在邻居图上，以及 Leiden 对社区连通性的改进。
DOI 10.1038/s41598-019-41695-z PMID 30914743 PMC6435756 查看原文Current best practices in single-cell RNA-seq analysis: a tutorial
Malte D. Luecken, Fabian J. Theis. Molecular Systems Biology, 2019.
为什么推荐：适合在完成本教程后，用一篇文章串联预处理、聚类和解释。
DOI 10.15252/msb.20188746 PMID 31217225 PMC6582955 查看原文Best practices for single-cell analysis across modalities
Lukas Heumos et al.. Nature Reviews Genetics, 2023.
为什么推荐：系统查看跨模态单细胞分析中的选择、评估与尚未解决的问题。
DOI 10.1038/s41576-023-00586-w PMID 37002403 PMC10066026 查看原文Cell Ranger Algorithms Overview
10x Genomics. 10x Genomics Documentation, 2026.
为什么推荐：核对当前 Cell Ranger 输出、cell calling 和 gene-expression pipeline 的官方定义。
查看原文Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2
Michael I. Love, Wolfgang Huber, Simon Anders. Genome Biology, 2014.
为什么推荐：理解 DESeq2 的尺度因子、离散度估计、效应量和统计模型。
DOI 10.1186/s13059-014-0550-8 PMID 25516281 PMC4302049 查看原文STAR: ultrafast universal RNA-seq aligner
Alexander Dobin et al.. Bioinformatics, 2013.
为什么推荐：理解 splice-aware alignment 的算法来源与输出含义。
DOI 10.1093/bioinformatics/bts635 PMID 23104886 PMC3530905 查看原文Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles
Aravind Subramanian et al.. Proceedings of the National Academy of Sciences, 2005.
为什么推荐：理解排序基因、富集分数、leading edge 与通路解释的边界。
DOI 10.1073/pnas.0506580102 PMID 16199517 PMC1239896 查看原文Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing
Yoav Benjamini, Yosef Hochberg. Journal of the Royal Statistical Society: Series B, 1995.
为什么推荐：回到 FDR 控制的原始定义，避免把 adjusted P value 误读为结论为真的概率。
DOI 10.1111/j.2517-6161.1995.tb02031.x 查看原文A survey of best practices for RNA-seq data analysis
Ana Conesa et al.. Genome Biology, 2016.
为什么推荐：从实验设计到下游解释，系统复习 Bulk RNA-seq 的完整工作流。
DOI 10.1186/s13059-016-0881-8 PMID 26813401 PMC4728800 查看原文How many biological replicates are needed in an RNA-seq experiment and which differential expression tool should you use?
Nicholas J. Schurch et al.. RNA, 2016.
为什么推荐：用 benchmark 理解增加独立生物学重复与增加 reads 是两种不同投资。
DOI 10.1261/rna.053959.115 PMID 27022035 PMC4878611 查看原文Visualization and analysis of gene expression in tissue sections by spatial transcriptomics
Patrik L. Ståhl et al.. Science, 2016.
为什么推荐：理解 array-based spatial transcriptomics 如何把表达矩阵与二维组织坐标连接起来。
DOI 10.1126/science.aaf2403 PMID 27365449 查看原文Squidpy: a scalable framework for spatial omics analysis
Giovanni Palla et al.. Nature Methods, 2022.
为什么推荐：理解空间邻居图、图像特征和空间统计如何被组织在统一框架中。
DOI 10.1038/s41592-021-01358-2 PMID 35102346 PMC8828470 查看原文Cell2location maps fine-grained cell types in spatial transcriptomics
Vitalii Kleshchevnikov et al.. Nature Biotechnology, 2022.
为什么推荐：理解用单细胞参考估计空间位置细胞组成时的模型输入与参考依赖。
DOI 10.1038/s41587-021-01139-4 PMID 35027729 查看原文Spatial transcriptomics at subspot resolution with BayesSpace
Edward Zhao et al.. Nature Biotechnology, 2021.
为什么推荐：理解计算分辨率增强为何仍是模型推断，而不是新增的物理测量。
DOI 10.1038/s41587-021-00935-2 PMID 34083791 PMC8763026 查看原文Integrating single-cell and spatial transcriptomics to elucidate intercellular tissue dynamics
Sara K. Longo, Ming Guo, Amy L. Ji, Paul A. Khavari. Nature Reviews Genetics, 2021.
为什么推荐：适合建立 single-cell reference、空间定位与组织动态之间的整体概念框架。
DOI 10.1038/s41576-021-00370-8 查看原文Space Ranger Gene Expression Algorithms Overview
10x Genomics. 10x Genomics Documentation, 2026.
为什么推荐：核对当前 Space Ranger 空间 gene-expression pipeline 与输出对象的官方定义。
查看原文The Sanger FASTQ file format for sequences with quality scores, and the Solexa/Illumina FASTQ variants
Peter J. A. Cock et al.. Nucleic Acids Research, 2010.
为什么推荐：了解 FASTQ 四行结构及历史质量编码差异的正式来源。
DOI 10.1093/nar/gkp1137 PMID 20015970 PMC2847217 查看原文The Sequence Alignment/Map format and SAMtools
Heng Li et al.. Bioinformatics, 2009.
为什么推荐：理解 alignment records 的标准化表示，以及 BAM 与 SAM 的关系。
DOI 10.1093/bioinformatics/btp352 PMID 19505943 PMC2723002 查看原文Base-calling of automated sequencer traces using phred. II. Error probabilities
Brent Ewing, Phil Green. Genome Research, 1998.
为什么推荐：理解 Phred quality 作为单碱基错误概率估计的来源与边界。
PMID 9521922 查看原文MultiQC: summarize analysis results for multiple tools and samples in a single report
Philip Ewels, Måns Magnusson, Sverker Lundin, Max Käller. Bioinformatics, 2016.
为什么推荐：理解多样本 QC 汇总为何有助于发现 run、lane 与样本层级的系统模式。
DOI 10.1093/bioinformatics/btw354 PMID 27312411 PMC5039924 查看原文FastQC: A Quality Control Tool for High Throughput Sequence Data
Simon Andrews, Babraham Bioinformatics. Official project documentation.
为什么推荐：核对 FastQC 各模块的官方含义，并避免把单个 warning 当成自动失败。
查看原文GA4GH SAM/BAM and Related Specifications
Global Alliance for Genomics and Health, SAM/BAM Format Specification Working Group. Official format specifications.
为什么推荐：需要精确解释 flags、CIGAR、tags 或文件兼容性时，以规范而不是博客为准。
查看原文NCBI SRA File Format Guide
National Center for Biotechnology Information. NCBI Sequence Read Archive Documentation, 2026.
为什么推荐：理解公共测序归档接受的文件对象与提交边界。
查看原文Transposition of native chromatin for fast and sensitive epigenomic profiling of open chromatin, DNA-binding proteins and nucleosome position
Jason D. Buenrostro et al.. Nature Methods, 2013.
为什么推荐：ATAC-seq 原始方法论文，用于理解 Tn5 插入、开放染色质与核小体片段的测量基础。
DOI 10.1038/nmeth.2688 PMID 24097267 PMC3959825 查看原文An improved ATAC-seq protocol reduces background and enables interrogation of frozen tissues
M. Ryan Corces et al.. Nature Methods, 2017.
为什么推荐：理解核制备与缓冲体系如何降低背景，并查看 TSS、线粒体比例和 FRiP 等 QC 的实验关联。
DOI 10.1038/nmeth.4396 PMID 28846090 查看原文Chromatin accessibility profiling by ATAC-seq
Fiorella C. Grandi, Hailey Modi, Lucas Kampman, M. Ryan Corces. Nature Protocols, 2022.
为什么推荐：把样本制备、转座、文库、测序和计算分析放在同一 protocol 中复盘。
DOI 10.1038/s41596-022-00692-9 PMID 35478247 查看原文ATAC-seq Data Standards and Processing Pipeline
ENCODE Project Consortium. ENCODE Data Standards, 2020.
为什么推荐：核对 ENCODE pipeline、TSS enrichment、FRiP 与 replicated data 的正式定义和情境化标准。
查看原文ENCODE Terms and Definitions
ENCODE Project Consortium. ENCODE Data Standards.
为什么推荐：精确核对 TSS enrichment 与 fraction of reads in peaks 的计算性定义。
查看原文Model-based analysis of ChIP-Seq (MACS)
Yong Zhang et al.. Genome Biology, 2008.
为什么推荐：理解 peak calling 如何从局部背景中识别富集区域，以及 peak 并不是直接的功能注释。
DOI 10.1186/gb-2008-9-9-r137 PMID 18798982 PMC2592715 查看原文Simple combinations of lineage-determining transcription factors prime cis-regulatory elements required for macrophage and B cell identities
Sven Heinz et al.. Molecular Cell, 2010.
为什么推荐：理解 motif enrichment 的背景比较与候选 TF 程序，而不是把 motif 直接解释为真实结合。
DOI 10.1016/j.molcel.2010.05.004 PMID 20513432 PMC2898526 查看原文Comparison of differential accessibility analysis strategies for ATAC-seq data
Paul Gontarz et al.. Scientific Reports, 2020.
为什么推荐：比较 bulk ATAC-seq 差异可及性策略，并理解样本量、测序深度和批次对结果的影响。
DOI 10.1038/s41598-020-66998-4 PMID 32576878 PMC7311460 查看原文ATAC-seq normalization method can significantly affect differential accessibility analysis and interpretation
Jake J. Reske, Mike R. Wilson, Ronald L. Chandler. Epigenetics & Chromatin, 2020.
为什么推荐：理解 normalization 假设如何改变差异可及性方向和生物学解释。
DOI 10.1186/s13072-020-00342-y PMID 32321567 PMC7178746 查看原文Chromatin accessibility and the regulatory epigenome
Sandy L. Klemm, Zohar Shipony, William J. Greenleaf. Nature Reviews Genetics, 2019.
为什么推荐：从测量方法进一步理解开放染色质、转录因子和调控元件之间的生物学关系与限制。
DOI 10.1038/s41576-018-0089-8 查看原文Enhancing Reproducibility through Rigor and Transparency
National Institutes of Health. NIH Grants & Funding, 2024.
为什么推荐：核对严谨实验设计、减少偏倚、生物变量、认证和透明报告的官方框架。
查看原文What exactly is 'N' in cell culture and animal experiments?
Stanley E. Lazic, Charlie J. Clarke-Williams, Marcus R. Munafò. PLOS Biology, 2018.
为什么推荐：用细胞、组织和动物实例区分实验单位、观测单位与真正支撑推断的 N。
DOI 10.1371/journal.pbio.2005282 PMID 29617358 PMC5902037 查看原文The ARRIVE guidelines 2.0: Updated guidelines for reporting animal research
Nathalie Percie du Sert, Viki Hurst, Amrita Ahluwalia, ARRIVE Working Group. PLOS Biology, 2020.
为什么推荐：使用 Essential 10 检查动物研究设计、执行、分析和报告是否透明。
DOI 10.1371/journal.pbio.3000410 PMID 32663219 PMC7360023 查看原文The MIQE guidelines: Minimum information for publication of quantitative real-time PCR experiments
Stephen A. Bustin et al.. Clinical Chemistry, 2009.
为什么推荐：核对 qPCR 样本、引物、扩增效率、参考基因、分析与报告的最低信息。
DOI 10.1373/clinchem.2008.112797 PMID 19246619 查看原文A proposal for validation of antibodies
Mathias Uhlén et al.. Nature Methods, 2016.
为什么推荐：理解遗传、正交、独立抗体、标签蛋白和免疫捕获质谱五类抗体验证策略。
DOI 10.1038/nmeth.3995 PMID 27595404 查看原文SuperPlots: Communicating reproducibility and variability in cell biology
Samuel J. Lord, Katrina B. Velle, R. Dyche Mullins, Lillian K. Fritz-Laylin. Journal of Cell Biology, 2020.
为什么推荐：学习在一张图中同时保留细胞级观测与独立实验均值，避免隐藏重复结构。
DOI 10.1083/jcb.202001064 PMID 32346721 PMC7265319 查看原文Total protein analysis as a reliable loading control for quantitative fluorescent Western blotting
Samantha L. Eaton et al.. PLOS ONE, 2013.
为什么推荐：理解常见 housekeeping proteins 可能随组织和处理变化，以及 total-protein normalization 的适用依据。
DOI 10.1371/journal.pone.0072457 PMID 24023619 PMC3758299 查看原文Evaluating strategies to normalise biological replicates of Western blot data
Andrea Degasperi et al.. PLOS ONE, 2014.
为什么推荐：比较不同跨实验 Western blot 归一化策略如何改变变异和假设检验。
DOI 10.1371/journal.pone.0087293 PMID 24475266 PMC3903630 查看原文A defined methodology for reliable quantification of Western blot data
Sean C. Taylor, Thomas Berkelman, Geetha Yadav, Matt Hammond. Molecular Biotechnology, 2013.
为什么推荐：通过稀释系列、抗体优化和动态范围验证建立可定量 Western blot。
DOI 10.1007/s12033-013-9672-6 PMID 23709336 PMC3840294 查看原文The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies
Erik von Elm et al.. Annals of Internal Medicine, 2007.
为什么推荐：用 22 项清单检查观察性研究的设计、变量、偏倚、样本量、统计方法和结果是否透明报告。
DOI 10.7326/0003-4819-147-8-200710160-00010 PMID 17938396 查看原文CONSORT 2025 statement: updated guideline for reporting randomised trials
Sally Hopewell et al.. BMJ, 2025.
为什么推荐：当前随机试验报告规范；用于理解观察性研究与随机分配设计在比较、流程和透明度上的差异。
DOI 10.1136/bmj-2024-081123 查看原文Using Big Data to Emulate a Target Trial When a Randomized Trial Is Not Available
Miguel A. Hernán, James M. Robins. American Journal of Epidemiology, 2016.
为什么推荐：通过明确 eligibility、treatment strategies、assignment、follow-up、outcome 和 analysis，减少观察性分析中的自致设计偏倚。
DOI 10.1093/aje/kwv254 PMID 26994063 PMC4832051 查看原文Specifying a target trial prevents immortal time bias and other self-inflicted injuries in observational analyses
Miguel A. Hernán, Sonia Hernández-Díaz, James M. Robins. Journal of Clinical Epidemiology, 2016.
为什么推荐：理解为何 eligibility、treatment assignment 与 follow-up start 必须对齐，以及错误时间定义怎样制造保护性假象。
PMID 27237061 查看原文Causal diagrams for epidemiologic research
Sander Greenland, Judea Pearl, James M. Robins. Epidemiology, 1999.
为什么推荐：用图结构区分 confounder、mediator 和 collider，并把调整变量选择从相关性筛选转成因果假设。
DOI 10.1097/00001648-199901000-00008 PMID 9888278 查看原文Multiple imputation for missing data in epidemiological and clinical research: potential and pitfalls
Jonathan A. C. Sterne et al.. BMJ, 2009.
为什么推荐：理解多重插补需要哪些变量、兼容哪些缺失假设，以及为何插补次数不是缺失处理的全部。
DOI 10.1136/bmj.b2393 PMID 19564179 PMC2714692 查看原文Nonparametric Estimation from Incomplete Observations
Edward L. Kaplan, Paul Meier. Journal of the American Statistical Association, 1958.
为什么推荐：理解带删失观察下生存函数的乘积极限估计，以及风险集为什么会随时间变化。
DOI 10.1080/01621459.1958.10501452 查看原文Regression Models and Life-Tables
David R. Cox. Journal of the Royal Statistical Society: Series B, 1972.
为什么推荐：理解半参数 proportional-hazards 模型、风险集比较与 hazard ratio 的模型含义。
DOI 10.1111/j.2517-6161.1972.tb00899.x 查看原文Sensitivity Analysis in Observational Research: Introducing the E-Value
Tyler J. VanderWeele, Peng Ding. Annals of Internal Medicine, 2017.
为什么推荐：把未测混杂需要多强才能解释观察关联转成一个可报告的敏感性尺度，同时理解它不能排除其他偏倚。
DOI 10.7326/M16-2607 PMID 28693043 查看原文The ASA Statement on p-Values: Context, Process, and Purpose
Ronald L. Wasserstein, Nicole A. Lazar. The American Statistician, 2016.
为什么推荐：理解 P 值不表示假设为真的概率、不衡量效应大小，也不应以固定阈值单独决定科学结论。
DOI 10.1080/00031305.2016.1154108 查看原文Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations
Sander Greenland et al.. European Journal of Epidemiology, 2016.
为什么推荐：系统识别 P 值、置信区间和统计功效的常见错误解释，并把选择性分析纳入推断边界。
DOI 10.1007/s10654-016-0149-3 PMID 27209009 PMC4877414 查看原文Basic statistical reporting for articles published in biomedical journals: the SAMPL Guidelines
Thomas A. Lang, Douglas G. Altman. International Journal of Nursing Studies, 2015.
为什么推荐：用于检查统计方法、描述、估计值、区间、P 值、图表和分析选择是否达到基本透明报告要求。
DOI 10.1016/j.ijnurstu.2014.09.006 PMID 25441757 查看原文Bootstrap Methods: Another Look at the Jackknife
Bradley Efron. The Annals of Statistics, 1979.
为什么推荐：理解通过对观测单位重抽样估计不确定性的基本思想，以及重抽样单位为什么必须与设计一致。
DOI 10.1214/aos/1176344552 查看原文The PRISMA 2020 statement: an updated guideline for reporting systematic reviews
Matthew J. Page et al.. BMJ, 2021.
为什么推荐：27 项系统评价报告规范及流程图；用于检查为何做、做了什么、发现了什么和结果意味着什么是否透明。
DOI 10.1136/bmj.n71 PMID 33782057 PMC8005924 查看原文Cochrane Handbook for Systematic Reviews of Interventions, version 6.5
Julian P. T. Higgins et al.. Cochrane, 2024.
为什么推荐：系统覆盖问题与方案、检索筛选、数据提取、偏倚、Meta-analysis、GRADE 和解释，是本课程的主要方法规范。
查看原文Cochrane Handbook Chapter 8: Assessing risk of bias in a randomized trial
Jonathan A. C. Sterne et al.. Cochrane Handbook, 2024.
为什么推荐：当前推荐的随机试验结果层面偏倚风险框架，强调五个域的结构化判断和支持信息，而非质量总分。
查看原文ROBINS-I: a tool for assessing risk of bias in non-randomised studies of interventions
Jonathan A. C. Sterne et al.. BMJ, 2016.
为什么推荐：用于非随机干预研究的七域偏倚风险判断，突出混杂、选择、分类、偏离和缺失等设计特异问题。
DOI 10.1136/bmj.i4919 PMID 27733354 PMC5062054 查看原文Meta-analysis in clinical trials
Rebecca DerSimonian, Nan Laird. Controlled Clinical Trials, 1986.
为什么推荐：经典随机效应 Meta-analysis 方法论文；适合理解研究内与研究间变异如何共同进入加权。
DOI 10.1016/0197-2456(86)90046-2 PMID 3802833 查看原文Measuring inconsistency in meta-analyses
Julian P. T. Higgins, Simon G. Thompson, Jonathan J. Deeks, Douglas G. Altman. BMJ, 2003.
为什么推荐：理解 I² 衡量什么、为何异质性检验受研究数量影响，以及为什么 I² 仍需结合临床差异和效应尺度解释。
DOI 10.1136/bmj.327.7414.557 PMID 12958120 PMC192859 查看原文Bias in meta-analysis detected by a simple, graphical test
Matthias Egger, George Davey Smith, Martin Schneider, Christoph Minder. BMJ, 1997.
为什么推荐：漏斗图不对称检验的经典论文，同时明确少量小试验时检测能力有限、结果必须谨慎解释。
DOI 10.1136/bmj.315.7109.629 PMID 9310563 PMC2127453 查看原文GRADE: an emerging consensus on rating quality of evidence and strength of recommendations
Gordon H. Guyatt et al.. BMJ, 2008.
为什么推荐：理解为何证据确定性与推荐强度是不同判断，以及偏倚、不一致、间接性、不精确和发表偏倚如何进入证据体评价。
DOI 10.1136/bmj.39489.470347.AD PMID 18436948 PMC2335261 查看原文miQC: An adaptive probabilistic framework for quality control of single-cell RNA-sequencing data
Ariel A. Hippen et al.. PLOS Computational Biology, 2021.
为什么推荐：用真实样本联合建模检测基因数和线粒体比例，说明固定 QC 阈值如何改变不同细胞群的保留结构。
DOI 10.1371/journal.pcbi.1009290 PMID 34428202 PMC8415599 查看原文Massively parallel digital transcriptional profiling of single cells
Grace X. Y. Zheng et al.. Nature Communications, 2017.
为什么推荐：连接 droplet 单细胞技术、68k PBMC 聚类、marker 表达与免疫细胞注释，是理解真实多 Panel Figure 的经典示例。
DOI 10.1038/ncomms14049 PMID 28091601 PMC5241818 查看原文单细胞测序—最佳的分析 Pipeline（single_cell_tutorial）
starlitnightly, omicverse contributors, 2023.
为什么推荐：中文教程型资源，覆盖细胞、测序历史、NGS 流程、RNA-seq、转录本定量、scRNA-seq 协议和数据分析的入门框架。
查看原文Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets
Evan Z. Macosko, Anindita Basu, James S. Goldman, et al.. Cell, 2015.
为什么推荐：理解液滴条形码如何把大量细胞转化为可计数的单细胞表达谱。
DOI 10.1016/j.cell.2015.05.002 PMID 26000488 PMC4481139 查看原文Droplet barcoding for single-cell transcriptomics applied to embryonic stem cells
Allon M. Klein, Linas Mazutis, Ilke Akartuna, et al.. Cell, 2015.
为什么推荐：帮助比较液滴协议中的条形码、捕获和规模化策略。
DOI 10.1016/j.cell.2015.04.044 PMID 26000487 PMC4441768 查看原文Counting absolute numbers of molecules using unique molecular identifiers
Teemu Kivioja, Anna Vähärautio, Kasper Karlsson, et al.. Nature Methods, 2011.
为什么推荐：理解 UMI 为什么能把扩增拷贝与原始分子区分开，以及它仍然不能消除哪些捕获偏差。
DOI 10.1038/nmeth.1778 PMID 22101854 查看原文Analyzing and minimizing PCR amplification bias in Illumina sequencing libraries
Daniel Aird, Michael G. Ross, Wei-Sheng Chen, et al.. Genome Biology, 2011.
为什么推荐：说明扩增偏差如何改变 reads 数量，以及为什么实验设计和分子标签都要在扩增前考虑。
DOI 10.1186/gb-2011-12-2-r18 PMC3188800 查看原文Benchmarking single-cell RNA-sequencing protocols for cell atlas projects
Elisabetta Mereu, Atefeh Lafzi, Catia Moutinho, et al.. Nature Biotechnology, 2020.
为什么推荐：用统一参考样本比较多个协议，帮助把通量、灵敏度、检测基因数和协议偏差放在同一决策框架中。
DOI 10.1038/s41587-020-0469-4 查看原文Normalization and variance stabilization of single-cell RNA-seq data using regularized negative binomial regression
Christoph Hafemeister, Rahul Satija. Genome Biology, 2019.
为什么推荐：理解测序深度校正、方差稳定和特征选择为何是同一建模问题的不同输出。
DOI 10.1186/s13059-019-1874-1 查看原文Fast, sensitive and accurate integration of single-cell data with Harmony
Ilya Korsunsky, Nghia Millard, Jean Fan, et al.. Nature Methods, 2019.
为什么推荐：用于理解 Harmony 的共享表示目标，以及为什么整合评估必须同时看 batch removal 与 biology conservation。
DOI 10.1038/s41592-019-0619-0 查看原文Confronting false discoveries in single-cell differential expression
Jordan W. Squair, Matthieu Gautier, Claudia Kathe, et al.. Nature Communications, 2021.
为什么推荐：直接展示忽略生物学重复如何产生假阳性，并支持以 donor-level pseudobulk 作为默认比较路线。
DOI 10.1038/s41467-021-25960-2 查看原文Slingshot: cell lineage and pseudotime inference for single-cell transcriptomics
Kelly Street, Davide Risso, Russell B. Fletcher, et al.. BMC Genomics, 2018.
为什么推荐：理解从聚类和低维表示拟合谱系与 pseudotime 的方法假设，以及 root 和连续覆盖为何关键。
DOI 10.1186/s12864-018-4772-0 PMC6007078 查看原文Generalizing RNA velocity to transient cell states through dynamical modeling
Volker Bergen et al.. Nature Biotechnology, 2020.
为什么推荐：理解 scVelo 如何用剪接动力学估计近期转录方向，以及模型假设失配会怎样改变箭头。
DOI 10.1038/s41587-020-0591-3 查看原文CellRank for directed single-cell fate mapping
Marius Lange, Volker Bergen, Michal Klein, et al.. Nature Methods, 2022.
为什么推荐：理解如何从带方向的转移矩阵估计宏状态和命运概率，并显式保留速度不确定性。
DOI 10.1038/s41592-021-01346-6 查看原文SCENIC: single-cell regulatory network inference and clustering
Sara Aibar, Carmen Bravo González-Blas, Thomas Moerman, et al.. Nature Methods, 2017.
为什么推荐：理解共表达候选如何经过调控序列证据过滤并形成 regulon，以及网络边为何仍是候选关系。
DOI 10.1038/nmeth.4463 PMC5937676 查看原文Inference and analysis of cell-cell communication using CellChat
Suoqin Jin, Christian F. Guerrero-Juarez, Lihua Zhang, et al.. Nature Communications, 2021.
为什么推荐：理解 CellChat 如何把表达与配体—受体先验转成通信概率，以及这些网络仍需要空间与干预验证。
DOI 10.1038/s41467-021-21246-9 查看原文DESeq2 Bioconductor package manual
Bioconductor project.
为什么推荐：核对 DESeq2 的输入对象、size factor、离散度、结果表和 log-fold-change shrinkage 调用。
查看原文glmnet CRAN documentation
Friedman J, Hastie T, Tibshirani R.
为什么推荐：理解 L1/L2 正则化、交叉验证选择 lambda 和正则化 Cox 模型的实际调用。
查看原文DropletUtils Bioconductor package manual
Bioconductor project.
为什么推荐：核对 raw droplet 输入、emptyDrops 输出、FDR 字段和 barcode-level cell calling。
查看原文Scanpy official API documentation
scverse project.
为什么推荐：核对 AnnData 对象、QC、HVG、邻居图、聚类和可视化函数的公开 API。
查看原文scikit-learn User Guide
scikit-learn developers.
为什么推荐：核对经典监督/无监督算法、交叉验证、预处理、指标和数据泄漏防范。
查看原文statsmodels User Guide
statsmodels developers.
为什么推荐：理解 Python 中回归、广义线性模型和统计推断对象如何区别于预测模型。
查看原文TRIPOD+AI reporting guideline
Collins GS, Moons KGM, Dhiman P, et al.. BMJ, 2024.
为什么推荐：建立临床预测模型的开发、验证、校准、适用人群和透明报告边界；AUC 不能替代临床效用。
DOI 10.1136/bmj-2023-078378 PMID 38626948 查看原文survival R package documentation
Therneau T.
为什么推荐：核对生存对象、删失、Kaplan–Meier 和 Cox 模型的输入与解释边界。
查看原文glmnet reference manual: cv.glmnet and predict.cv.glmnet
Jerome Friedman, Trevor Hastie, Rob Tibshirani, glmnet authors.
为什么推荐：核对训练特征 x、验证特征 newx、foldid 和 lambda.1se 的输入输出契约；newx 不是包含结局的完整病历表。
查看原文AnnData API: AnnData.layers
scverse developers.
为什么推荐：核对 layers 与 X 共用观测和基因维度，以及显式赋值和 copy 的用法；创建 AnnData 不自动生成原始计数层。
查看原文Scanpy API: normalize_total
scverse developers.
为什么推荐：核对默认原位修改 X、target_sum 的含义及 layer 参数；原始计数副本需要在归一化之前保存。
查看原文Scanpy API: pca and mask_var
scverse developers.
为什么推荐：核对以 mask_var 指定 PCA 基因集合而不裁去 AnnData 的其他基因，以及坐标和载荷的存储位置。
查看原文DiffBind: Differential Binding Analysis of ChIP-Seq Peak Data
Rory Stark, Gord Brown.
为什么推荐：核对 peakset、样本支持数和计数对象的定义；教程 base R 区间示例用于解释输入结构，不等同于实际运行 DiffBind 差异分析。
查看原文SoupX package reference manual
Matthew Daniel Young.
为什么推荐：核对 raw droplets 与细胞矩阵输入、聚类信息、污染比例估计和校正调用。五基因教学混合模型不等同于 SoupX 的真实估计器。
查看原文SoupX removes ambient RNA contamination from droplet-based single-cell RNA sequencing data
Matthew D Young, Sam Behjati. GigaScience, 2020.
为什么推荐：理解从液滴背景表达谱与污染比例估计细胞信号的混合模型；背景比例不是基因特异的统一扣除百分比。
DOI 10.1093/gigascience/giaa151 PMID 33367645 PMC7763177 查看原文