-
在 管道压缩机 0.99.43，尽管有错误，现在仍有可能继续运行（参见 跳过错误 的论点 运行管道 ，以及的“处理错误”部分 pipeComp渐晕图 .). -
在 管道Comp 0.99.26 on，scRNAseq聚类管道的绘图功能( 屏幕值绘图_DR 和 屏幕_数值绘图_群集 )已被更灵活的流水线通用功能取代( 评估热图 )以及特定于轮廓的绘图功能( 屏幕_数值绘图_图片 ). 通用热图着色方案也已更改，以使有意义的更改更清晰。 -
在 管道Comp 0.99.24，多线程能力得到了扩展（现在几乎没有限制）。 -
管道Comp >=0.99.3对输出格式进行了重要更改，并大大简化了scRNA管道的评估输出。 因此，使用较旧版本的包生成的结果不再与当前版本的聚合和绘图功能兼容。
BiocManager:：install（“plger/pipeComp”，build_vignettes=TRUE） 
my_pip<-管道定义（列表（步骤1=函数（x，参数1）{ #用x和param1做点什么 x }, step2=函数（x，method1，param2）{ get（方法1）（x，参数2） }, 步骤3=函数（x，参数3）{ x<-some_fancy_function（x，参数3） #这些函数还可以输出评估 #通过“intermediate_return”插槽： e<-my评估函数（x） 列表（x=x，intermediate_return=e） } )) my_pip<-PipelineDefinition（list（step1=function（x，meth1）{get（meth2）（x）}， 步骤2=函数（x，meth2）{get（meth2，（x）}）， 求值=列表（步骤2=函数（x）{sum（x）}） pipDef<-scrna_pipeline（） 管道定义 具有以下步骤的PipelineDefinition对象： - 双倍的 （x，双峰法）* 获取带有`phenoid`colData列的SCE对象，将其传递给
函数“doubletmethod”，并输出过滤后的SCE。 - 过滤 （x，过滤器）* 获取SCE对象，通过函数“filt”传递它，并输出
过滤了Seurat对象。 - 归一化 （x，标准） 通过函数“normal”传递对象以返回带有
标准化和缩放数据槽已填充。 - 选择 （x，sel，selnb） 返回一个seurat对象，其中VariableFeatures用“selnb”功能填充
使用函数sel。 - 减光 （x，dr，maxdim）* 返回PCA缩减的seurat对象，最多包含“maxdim”组件
使用dr函数。 - 群集 （x，集群方法，dims，k，步长，分辨率，最小尺寸）* 使用函数“clustmethod”返回单元格簇的命名向量。
pd2<-pipDef[-1] vignette（“pipeComp”，package=“pipeCompa”） download.file（“ https://ndownloader.figuare.com/articles/11787210/versions/1 “，”datasets.zip“） 解压缩（“datasets.zip”，exdir=“datasets”） 数据集<-list.files（“数据集”，pattern=“SCE\\.rds”，full.names=TRUE） 名称（数据集）<-sapply（strsplit（basename（datasets），“\\.”），FUN=函数（x）x[1]） #加载替代函数 源（system.file（“extdata”，“scrna_alternatives.R”，package=“pipeComp”） #我们建立备选方案列表 备选方案<-list( doubletmethod=c（“无”）， filt=c（“filt.lenient”，“filt.reficient”）， norm=c（“norm.seurat”，“normar.sctransform”，”norm.scran“）， sel=c（“sel.vst”）， selnb=2000， dr=c（“seurat.pca”）， clustmethod=c（“clust.seurat”）， 尺寸=c（10、15、20、30）， 分辨率=c（0.01、0.1、0.2、0.3、0.5、0.8、1、1.2、2） ) res<-runPipeline（数据集，替代项，pipDef，nthreads=3， output.prefix=“myfolder/”） scrna_evalPlot_silh（资源） 
evalHeatmap（res，step=“dimreducation”，what2=“meanAbsCorr.协变量2”， what=c（“log10_total_features”，“log10-total_counts”） 
evalHeatmap（res，step=“clustering”，what=c（“MI”，“ARI”），agg.by=c（“filt”，“normal”））+ evalHeatmap（res，step=“clustering”，what=“ARI”，agg.by=c（“filt”，“normal”）， filter=n_clus==true.nbClusts，title=“ARI at ntrue k”） 