近年來,單細(xì)胞轉(zhuǎn)錄組測(cè)序技術(shù)發(fā)展迅猛,為人們研究細(xì)胞的異質(zhì)性及在單個(gè)細(xì)胞分辨率下理解生命體系、過程和不同疾病狀態(tài)提供了有效手段。基于微流控技術(shù)發(fā)展而來的高通量單細(xì)胞轉(zhuǎn)錄組測(cè)序技術(shù)是實(shí)現(xiàn)大量細(xì)胞平行檢測(cè)的主要方法�，F(xiàn)從高通量單細(xì)胞轉(zhuǎn)錄組檢測(cè)平臺(tái)研究進(jìn)展、單個(gè)細(xì)胞捕獲及檢測(cè)的常用方法——特別是微滴與微孔技術(shù)原理與特點(diǎn)、數(shù)據(jù)分析流程、數(shù)據(jù)挖掘手段、現(xiàn)有存在問題和未來發(fā)展方向等角度進(jìn)行闡述,希望該技術(shù)對(duì)生命科學(xué)研究起到促進(jìn)和推動(dòng)作用。 

【文章來源】：生命科學(xué). 2020,32(12)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

高通量單細(xì)胞轉(zhuǎn)錄組測(cè)序工作流程

批次效應(yīng)是產(chǎn)生變異的重要原因。因此，數(shù)據(jù)歸一化是獲得有效、有意義數(shù)據(jù)的重要過程。數(shù)據(jù)歸一化包括樣本內(nèi)歸一化(消除基因特異性偏差)和樣本間歸一化(用于調(diào)整與細(xì)胞間計(jì)數(shù)分布差異的影響)。Seurat軟件[26]提供了基于共同來源變異的數(shù)據(jù)整合，允許定義共享全局的新特征來進(jìn)行數(shù)據(jù)整合，是目前運(yùn)用最廣泛的分析包。當(dāng)然，強(qiáng)大的運(yùn)用也使其不斷地進(jìn)行升級(jí)，現(xiàn)已開發(fā)到了V3.0版本[27]。另一種廣泛使用的方法是根據(jù)預(yù)處理步驟中獲得的比例因子估計(jì)值來計(jì)算規(guī)范化的表達(dá)式度量，然后再進(jìn)行下游分析，例如聚類或微分表達(dá)式[28]。k BET軟件[29]通過主成分分析來評(píng)估批次效應(yīng)，將混雜因素作為協(xié)變量納入模型進(jìn)行剔除，是一個(gè)強(qiáng)大、靈敏度高的基于K最近鄰分類(k-nearest neighbor,KNN)算法的批次效應(yīng)評(píng)價(jià)工具。2.3 單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)降維與可視化

為對(duì)分類的細(xì)胞類群進(jìn)行深入的功能挖掘，常用基于基因集富集分析(gene set enrichment analysis,GSEA)的功能富集方法。然而，該方法只能基于樣本間進(jìn)行功能富集。為推廣其運(yùn)用范圍，后續(xù)陸續(xù)開發(fā)的ss GSEA (single sample gene set enrichment analysis)[47]、GSVA (gene set variation analysis)[48]、Auto Compare＿SES (sample enrichment score)[49]可用于單個(gè)樣本基因的功能富集。由于單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)的特殊性，基于GSEA的分析方法會(huì)面臨分析設(shè)備內(nèi)存占據(jù)大、分析時(shí)間長等問題。Single-Cell Signature Explorer是近來開發(fā)的一個(gè)專門通過基因集的模式分析，并可通過t-SNE和UMAP降維可視化方法來呈現(xiàn)基因集在細(xì)胞中的整體表達(dá)及功能富集程度[50]，該方法從一定程度上彌補(bǔ)了GSEA的短板(圖3C)。3 單細(xì)胞轉(zhuǎn)錄組研究的常見技術(shù)問題

【參考文獻(xiàn)】：
期刊論文
[1]單細(xì)胞轉(zhuǎn)錄組高通量測(cè)序分析新進(jìn)展[J]. 文路,湯富酬.  遺傳. 2014(11)



本文編號(hào)：3505274