《Nature Methods》是专门用来对生命科学研究领域具有显著性意义的新方法和研究技术改进的经典杂志。单细胞转录组测序是2019年不折不扣的热点领域，截至2019年9月，Nature Methods总共发表了10篇关于单细胞转录组测序相关的研究报道。本期，小编和大家一起分享这些重要的研究成果。
1.用于评估单细胞RNA-seq数据批次效应的工具
来自德国计算生物学研究所的研究人员发表了“A test metric for assessing single-cell RNA-seq batch correction”的研究报道。该研究开发了一个强大、灵敏度高的基于k-nearest-neighbor批次效应评价工具（kBET； https://github.com/theislab/kBET ）。研究人员使用kBET来评估常用的批次回归和标准化方法，并量化其在保留生物变异性的同时去除批次效应的程度。这对未来的数据集成工作（如Human Cell Atlas计划）具有重要意义。
图1 批次类型和kBET
2.用于改善scRNA-seq数据可视化的基于快速内嵌的t-SNE工具
t-SNE是一种常见的scRNA-seq数据可视化工具，但对于大数据背景时适用有限。来自耶鲁大学数据应用中心的研究人员发表了“Fast interpolation-based t-SNE for improved visualization of single-cell RNA-seq data”的研究报道。该研究大大加速了t-SNE分析速度，避免了对数据下采样的需求，从而允许稀有细胞群的可视化。此外，研究人员基于一维t-SNE实现了针对scRNA-seq的热图样式可视化，以同时可视化数千个基因的表达模式。
软件在线链接：https://github.com/KlugerLab/FIt-SNE和https://github.com/KlugerLab/t-SNE-Heatmaps。
3.使用单细胞数据谱对bulk基因组数据的细胞组成分析
来自以色列特拉维夫大学的研究人员发表了“Cell composition analysis of bulk genomics using single-cell data”的研究。该研究引入了一种基于反卷积算法的细胞群体图谱（CPM）工具，其利用参考scRNA-seq谱来推断大量转录组数据（'scBio'CRAN R-package）中细胞类型和状态的组成。通过对流感病毒感染小鼠的肺个体差异的分析揭示，细胞丰度和临床症状之间的关系是细胞状态特异性的，其沿着细胞活化状态的连续性逐渐变化。在随后的实验中证实了这种逐渐变化，并且通过数学模型进一步解释了其中临床结果与激活过程中的细胞状态动态相关。该结果证明了CPM在重建异质组织内细胞状态的连续谱中的能力。
图2 CPM算法流程模式图
4.使用深度递归学习从单细胞转录组学中对细胞类型组成进行可扩展分析
从单细胞组学数据中识别细胞类型是单细胞研究的重中之重。来自加州大学药物化学系的研究人员发表题为“Scalable analysis of cell-type composition from single-cell transcriptomics using deep recurrent learning”的研究，提出了一种称为scScope的，可扩展的，基于深度学习的方法。该方法可以从数百万个嘈杂的单细胞基因表达谱中准确、快速地鉴定细胞类型组成。
图3 scScope分析框架及模拟数据集的表现
5.评估单细胞转录组学的关联度量
由于scRNA-seq独特数据特性，从单细胞转录组学中鉴定基因-基因和细胞-细胞关系的最佳关联方法仍不清楚。来自哥伦比亚大学迈克尔史密斯实验室的研究人员发表题为“Evaluating measures of association for single-cell transcriptomics”的研究。该研究对17种关联度量算法进行了大规模的评估，评价了它们重建细胞网络的能力，相同类型的聚类细胞以及将细胞类型特异性转录与疾病联系起来的能力。该研究表明，计算组成数据向量之间比例关系的比例度量方法，来描述两个变量之间的相关性是跨数据集和测试的最佳表现方法。该分析为单细胞转录组学中的基因和细胞网络分析提供了指导。
图4 不同关联方法对已知细胞类型聚类准确性结果
6. 使用混合对照实验建立单细胞RNA测序分析标准
在单细胞转录组研究领域，由于缺乏标准基准数据集使研究人员难以系统地比较许多可用方法的性能。来自沃尔特和伊丽莎霍尔医学研究所的研究人员发表题为“Benchmarking single cell RNA-sequencing analysis pipelines using mixture control experiments”的研究。该研究通过对单细胞和细胞或RNA的混合物产生了一个多达五种不同的癌细胞系的“假细胞”库。使用基于液滴和基于板的scRNA-seq方案，生成14个数据集。随后，该研究比较了3,913种数据分析方法组合，用于从归一化到聚类，轨迹分析和数据整合，提出适合不同类型数据的分析方法。该研究的数据和分析提供了一个用于对最常见的scRNA-seq分析步骤进行基准测试的全面框架。
图5 实验设计思路及标准分析流程
7.MULTI-seq：基于脂质标记的多样本单细胞RNA测序方法
多样本标记对于降低单细胞RNA测序成本和鉴定多细胞率等都非常重要。来自加州大学旧金山分校药物化学系的研究人员发表“MULTI-seq: sample multiplexing for single-cell RNA sequencing using lipid-tagged indices”的研究。该研究建立了一种称为MULTI-seq的方法：使用脂质标记indices进行单细胞和单核RNA测序的多样本标记。MULTI-seq reagents可凭借易进入的质膜对来自任何物种的任何细胞类型或细胞核进行条形码编码。该方法涉及最少的样品处理，从而保持细胞活力和内源基因表达模式。当使用MULTI-seq条形码对不同样本的细胞进行标记分类时，可通过双重鉴定和具有低RNA含量的细胞回收来改善数据质量。
图6 MULTI-seq设计原理及流程
8.异质单细胞RNA-seq数据集的联合分析
单细胞RNA测序数据在实际运用中可能会涉及到不同个体，不同条件和组织间的多样本比较。为鉴定异质数据集下的特征细胞亚型挖掘，来自哈佛医学院生物医学信息学系的研究人员发表题为“Joint analysis of heterogeneous single-cell RNA-seq dataset collections”的研究，开发了一种称为Conos的方法。该方法是一种依赖于多个可信样本间映射来构建连接所有细胞全局图的方法。该图能够识别多样本或图集规模集合中的特征细胞簇和数据集之间的信息关联。
图7 Conos法数据整合原理示意图及BM样本结果图
9.通过单细胞表达相关性分析构建发育组织的基因表达图谱
果蝇翼盘已成为发现关键信号通路和对发育过程理解的基本模型系统。然而，缺乏该组织中基因表达的完整图谱。来自德国癌症研究中心的研究人员发表题为“Gene expression atlas of a developing tissue by single cell expression correlation analysis”的研究。为了获得翼盘中的基因表达图谱，研究人员采用单细胞RNA测序（scRNA-seq）并开发了基于基因表达相关性而非细胞作图的分析scRNA-seq数据的方法。该方法能够计算翼盘中所有检测到的基因的表达图谱，并发现具有空间限制表达模式的824个基因。该方法鉴定具有相似表达模式和功能相关性的基因簇。作为概念证明，该研究描述了先前未研究的基因CG5151，并表明它调节Wnt信号传导通路。该方法将能够利用scRNA-seq数据进行发育过程中产生未分化组织的表达图谱构建。
图8 翼盘SPG细胞鉴定及marker基因表达
10.转换学习用于单细胞转录组的数据去噪
单细胞RNA测序（scRNA-seq）数据嘈杂且稀疏。为降低数据噪音，来自宾夕法尼亚大学统计系的研究人员发表题为“Data denoising with transfer learning in single-cell transcriptomics”的研究。在该研究中，研究人员表明跨数据集的转换学习显着提高了数据质量。通过将深度自动编码器与贝叶斯模型耦合，SAVER-X方法从不同实验室，不同条件和不同物种的数据中提取可转移的基因-基因关系，以实现对新的目标数据集进行去噪。
图9 SAVER-X转移学习框架
平均每月发表超过一篇，单细胞转录组相关的研究方法在《Nature Methods》的展现足见单细胞转录组学的热门与重要。相信在接下来的时间里，该领域的成果还会持续上榜。单细胞转录组学，任重而道远，前途也无量。
索取资料
来源：上海生物芯片有限公司
联系电话：400-100-2131
E-mail：marketing@shbiochip.com
【点击可查看 上海生物芯片有限公司 相关服务】
标签： Nature Methods、单细胞、转录组、测序
分享到
首页
