 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》
