与seurat把标准化后的表达矩阵保存在对象中不同，monocle只保存一些中间结果在对象中，需要用时再用这些中间结果转化。经过上面三个函数的计算，mycds对象中多了SizeFactors、Dipersions、num_cells_expressed和num_genes_expressed等信息。
Monocle官网教程提供了4个分类方法：
建议先将细胞注释好再进行Monocle分析，不建议使用monocle做细胞分类。
Theorderingworkflow
Monocle官网教程提供了4个选择方法：
选择基因--基因筛选--进行排序--排序后可视化
第一步是决定用哪些基因来进行聚类（特征选择）。我们可以使用所有的基因，但是我们将包括很多没有表达到足够高水平来提供有意义的信号的基因，它们只会给系统增加噪音。我们可以根据平均表达水平筛选基因，我们还可以选择细胞间异常变异的基因。这些基因往往对细胞状态有很高的信息含量。
师姐用的下面这个--半监督聚类（数据替换掉了，她用的下面的数据）--作为下面带心心部分的补充
师姐是下面这个---
以细胞类型上色
按照seurat分群排序细胞
以细胞状态上色（拆分）“分面”轨迹图，以便更容易地查看每个状态的位置。
pdf("train.monocle.state.faceted.pdf",width=10,height=7)plot_cell_trajectory(cds,color_by="State")+facet_wrap("~State",nrow=1)dev.off()改颜色
library(ggsci)p1=plot_cell_trajectory(cds,color_by="cell_type")+scale_color_npg()p2=plot_cell_trajectory(cds,color_by="State")+scale_color_nejm()colour=c("#DC143C","#0000FF","#20B2AA","#FFA500","#9370DB","#98FB98","#F08080")p3=plot_cell_trajectory(cds,color_by="State")+scale_color_manual(values=colour)p1|p2|p3树形图
提取感兴趣的细胞（进行后续分析）
write.csv(pData(cds),"pseudotime.csv")save(cds,file="cds.rda")2.7.指定基因的可视化2.7.1直接查看一些基因随细胞状态等的表达变化top基因
指定基因
拟时序展示单个基因表达量
官方给出的差异分析有三大方法：
寻找拟时差异基因（qvalue体现基因与拟时的密切程度）绘制热图