纵观单细胞研究文章,最基本的分析就是「降维聚类分析」 ,是每个单细胞研究的标配。没有对细胞进行分群和注释,也就不叫单细胞研究了。接下来,单细胞分析的第一阶段是「细胞比例分析」和差异基因分析;根据实验设计,结合不同分组中不同亚群细胞比例变化,可以寻找到可能与疾病相关的亚群,比如疾病组中,炎性的巨噬细胞亚群比例升高明显,可能炎性巨噬细胞参与到了疾病中。锁定了该亚群,则可以对该亚群与其他巨噬细胞亚群进行差异基因分析,得到差异基因list后我们则知道该亚群上下调了哪些基因,能帮助我们解释致病的机制或寻找致病的靶点,当然,这需要我们去查询各种基因的背景、功能。 第二阶段,我们可以进行功能分析,以进一步寻找致病机制或缩小差异基因的范围。可以从细胞、通路、分子的维度出发。细胞层面有轨迹分析细胞、相互作用分析等。轨迹分析可以判断聚焦的细胞亚群的来源或去路,紧接着上面的例子,我们可以对各种巨噬细胞亚群进行轨迹分析,看看炎性巨噬细胞的轨迹变化情况。轨迹分析尤其适合外周血和组织样本配对的研究,或者是时序性的实验设计,比如可以查看致病亚群是否由外周血趋化浸润而介导,或随疾病进展,原本进行执行免疫功能的细胞趋向耗竭。而细胞相互作用分析则可以聚焦感兴趣的核心亚群,如心脏研究中的心肌细胞、血管研究中的平滑肌细胞、肿瘤研究中的各种微环境的细胞,看哪些细胞与核心亚群作用变化明显,可直接找到亚群甚至相互作用的表面蛋白「如第7期的例子」。通路层面则有GO,KEGG,GSEA,IPA等分析,对差异基因进行富集,寻找与疾病相关的信号通路。但通路数据库基于先验知识,结果往往也相对粗略,通常用于大致判断亚群功能,或者倾向分析明星信号通路,但也不乏有文章「使用通路和网络分析作为文章的落脚点」。分子层面最基本的还是分析差异基因。此外通过「转录因子分析,SCENIC分析」可以发现调控基因表达的转录因子,其本身也是蛋白(同样有基因表达),我们可以进一步缩小差异基因的范围。由于转录因子调控基因表达(作为因果关系的因),其是很好的疾病干预靶点。此外,单细胞现在有越来越多的高级算法被开发,帮助我们对单细胞数据进行不同维度的深入挖掘,后续也会给大家进行分享。 参考文献: 写在最后 “观科研”(点击进一步了解我们吧)是由一群北京协和医学院(清华大学医学部)的博士开创的公众号,初心是让医学科研有迹可循,帮助一线的医学科研人员更快地成长,希望大家支持与关注! |
|
来自: 新用户4064dVjo > 《待分类》