单细胞数据分析流程概述

主要分析步骤：

1. 原始数据处理与质控：

   • 原始测序文件（FASTQ格式）。

   • 步骤：

     • 比对： 将测序读段定位到参考基因组（如STAR, Cell Ranger）。

     • 计数： 统计每个细胞中每个基因的分子数（UMI/reads），生成“表达矩阵”（行为基因，列为细胞，值为表达量）。

   • 关键质控指标：

     • 每个细胞的检测基因数： 过低可能代表死细胞或空液滴。

     • 每个细胞的分子总数（UMI计数）： 过低同上，过高可能代表双细胞。

     • 线粒体基因比例： 高比例通常表明细胞受损或死亡。

     • 核糖体基因比例： 异常高低可能提示特定状态。

   • 输出： 过滤掉低质量细胞/基因后的干净表达矩阵。

2. 数据标准化：

   • 目的： 消除技术偏差（如测序深度差异），使细胞间表达量可比。

   • 常用方法： LogNormalize（Seurat）, SCTransform（正则化负二项回归 - Seurat）, 或基于深度的缩放因子（如Scanpy）。

3. 特征选择：

   • 目的： 识别最能代表细胞间生物学变异的基因（高变基因），用于后续降维，减少噪音。

   • 方法： 通常选择表达变异系数高（均值-方差关系）的基因（如Seurat的FindVariableFeatures， Scanpy的pp.highly_variable_genes）。

4. 数据缩放与线性降维：

   • 缩放： 对基因表达进行中心化（均值为0）和标准化（方差为1），使所有基因在后续分析中权重相等（PCA要求）。

   • 主成分分析： 将高维数据投影到低维空间（主成分PCs），捕获主要的变异来源。通常选择前10-50个PCs用于下游分析。

5. 细胞聚类：

   • 目的： 基于基因表达谱的相似性，将细胞划分为不同的群体（簇）。

   • 步骤：

     • 构建细胞邻域图： 在PC空间（或缩放后的基因空间）计算细胞间的相似性（如K近邻图）。

     • 聚类算法： 在邻域图上识别紧密连接的细胞群体（如Louvain, Leiden算法 - Seurat的FindClusters, Scanpy的tl.leiden）。

   • 输出： 每个细胞被分配到一个簇。

6. 非线性降维与可视化：

   • 目的： 在2D或3D空间中直观展示细胞之间的关系和聚类结构。

   • 常用方法：

     • t-SNE： 擅长保留局部结构，簇间距离无意义。

     • UMAP： 通常能更好地保留全局结构，运行更快，是目前主流。

   • 输出： 散点图（如UMAP图），每个点代表一个细胞，颜色代表其所属的簇。

7. 细胞类型注释：

   • 目的： 为每个聚类簇赋予生物学意义（如细胞类型、状态）。

   • 方法：

     • Marker基因鉴定： 寻找在每个簇中特异性高表达的基因（如Seurat的FindAllMarkers）。

     • 参考数据库比对： 利用已知细胞类型的单细胞参考图谱（如Human Cell Atlas, Mouse Cell Atlas）进行自动注释（如SingleR, scmap, Seurat的Azimuth）。

     • 手动注释： 结合Marker基因、已知生物学知识和文献进行判断。

   • 关键： 这是将数据转化为生物学洞见的核心步骤！

8. 差异表达分析：

   • 目的： 比较不同细胞群（如不同细胞类型、处理组 vs 对照组、疾病 vs 健康）之间基因表达的差异。

   • 方法： 专门为单细胞数据设计的统计方法（如MAST, Wilcoxon rank-sum test, DESeq2 - 需谨慎使用）。

9. 下游分析：

   • 轨迹推断： 重建细胞在连续过程（如分化、激活、细胞周期）中的动态变化（如Monocle3, PAGA, Slingshot）。

   • 细胞通讯分析： 预测不同细胞类型之间通过配体-受体对的相互作用（如CellChat, CellPhoneDB）。

   • 功能富集分析： 对差异表达基因或特定细胞群的基因集进行通路、功能注释（如GO, KEGG, GSEA）。

   • 整合分析： 合并多个样本或批次的数据，以进行比较或增加统计功效（如Harmony, Seurat的IntegrateData, BBKNN, scVI）。

   • 亚群再分析： 对感兴趣的特定细胞类型进行更精细的亚聚类和分析。

常用工具：

• Seurat (R): 目前最流行、功能最全面的工具包。

• Scanpy (Python): 功能强大且灵活的Python生态系统工具包。

• Cell Ranger (10x Genomics): 官方配套软件，处理10x数据从原始FASTQ到表达矩阵。

• 其他：Monocle (R - 轨迹), CellPhoneDB (Python - 通讯), SCANPY (Python), Scater/Scran (R), Bioconductor生态等。

总结： 单细胞数据分析是一个迭代探索的过程，从原始数据出发，经过严格质控、标准化、降维、聚类、注释，最终通过各种下游分析揭示细胞异质性、动态变化和功能关系，从而深入理解组织、发育和疾病的复杂性。选择合适的工具和参数，并结合生物学背景知识进行解读至关重要。