我们在得到单细胞数据raw count以后，需要对单细胞进行一个标准化处理，然后再进行下游分析。
在scRNA-seq中，由于每个细胞的起始转录分子量有限，每个细胞中转录本的捕获以及扩增效率都会有技术差异，因此很难保证样本之间在文库制备上保持高度的一致性。这也造成了多个样本的测序数据中会存在由于文库测序覆盖率(sequencing coverage) 不同而引入的系统差异。数据的标准化目的就是消除这些差异，使得我们得到的分析结果不受技术噪音的影响。
一般地标准化有两类：第一是seurat包里的函数normalize，计算了CPM，每百万的reads数，将基因的count数除以该细胞的总read count数，然后乘与1000000，最后再进行log2（n+1）的转换
另外一种，R包scran，scran中的标准化使用computeSumFactors()函数，该过程是基于反卷积方法：先合并许多细胞的计数以避免drop-out问题，然后将基于池的量化因子(scale factor)“去卷积”为cell-based factors，以进行特定细胞的标准化。
代码：
需要用到的包：scran，scRNAseq，scuttle
构建sce对象，将表达矩阵转换为sce对象，符合scran的输入格式
library(scran)
library(scRNAseq)
library(scuttle)
f1 <- read.csv("./10x/sc_CountMatrix.txt",sep="\t",row.names = 1)
sce <- SingleCellExperiment(assays = list(counts = f1))
clusters <- quickCluster(sce)
sce <- computeSumFactors(sce, clusters=clusters)
sce <-computeSpikeFactors(sce)
sce <- logNormCounts(sce)
sce@assays@data$logcounts #标准化后的数据提取
