針對基因和細胞，單細胞轉錄組兩個高級分析分別是：scenic和velocyto。這兩個都是R和python都支持的，同時R的實現都不是十分完美。特別是velocyto，在R裏面雖然有velocyto.R（win 10 似乎安裝不上還） 但是限於計算平臺和效率等，也往往使研究者困在第一步。針對這種情況，生物學家開發了velociraptor ，velociraptor 提供了Bioconductor的單細胞 SingleCellExperiment數據結構和用於RNA速度計算的Python 包 scvelo之間的輕量級接口。該接口可與許多其他SingleCellExperiment兼容，允許用戶將RNA速度整合到現有的Bioconductor分析框架之中。
velociraptor 內部是調用scvelo，所以在運行的時候會爲您配置相應的python環境。所以可以想象，並沒有理想的那麼好用，且不說velocyto的輸出是loom文件，既然在R裏面調用python庫爲什麼不直接用python分析呢？感興趣的小夥伴可以嘗試一下啦。
一般有了教程之後，其實主要的工作是在做數據格式的轉化，一波操作之後，發現velociraptor做出來的方向很是一致啊：
這個顯然是和數據有關係的，例如作者給的示例文件：
library("velociraptor")
library(scuttle)
library(scater)
sce1 <- mockSCE()
sce2 <- mockSCE()
spliced <- counts(sce1)
spliced[1:4,1:4]
Cell_001 Cell_002 Cell_003 Cell_004
Gene_0001 406 97 119 14
Gene_0002 270 225 470 1080
Gene_0003 94 35 498 26
Gene_0004 187 578 29 0
> unspliced <- counts(sce2)
> unspliced[1:4,1:4]
Cell_001 Cell_002 Cell_003 Cell_004
Gene_0001 32 73 285 233
Gene_0002 0 0 5 66
Gene_0003 455 27 6 0
Gene_0004 200 812 453 749
out2 <- scvelo(list(X=spliced, spliced=spliced, unspliced=unspliced))
sce <- SingleCellExperiment(assays = list(counts = (spliced)))
sce <- scater::logNormCounts(sce)
sce <- scater::runPCA(sce)
sce <- runTSNE(sce, dimred="PCA")
sce$velocity_pseudotime <- out2$velocity_pseudotime
plotTSNE(sce, colour_by="velocity_pseudotime")
embedded <- embedVelocity(reducedDim(sce, "TSNE"), out2)
grid.df <- gridVectors(reducedDim(sce, "TSNE"), embedded)
library(ggplot2)
plotTSNE(sce, colour_by="velocity_pseudotime") +
geom_segment(data=grid.df, mapping=aes(x=start.1, y=start.2,
xend=end.1, yend=end.2), arrow=arrow(length=unit(0.05, "inches"))) + theme_bw()
https://kevinrue.github.io/velociraptor/index.html
單細胞轉錄組數據分析|| scVelo 教程：RNA速率分析工具
velocyto||sc-RNA速率：一種細胞軌跡推斷方法