整合不同条件、技术和物种的单细胞转录组数据
生物科技Nat》．
2018年6月．
免费PMC文章
摘要
计算单细胞RNA-seq (scRNA-seq)方法已成功应用于代表单一条件、技术或物种的实验，以发现和定义细胞表型。然而，识别存在于多个数据集的细胞亚群仍然具有挑战性。在这里，我们介绍了一种基于共同变异源集成scRNA-seq数据集的分析策略，从而能够在数据集之间识别共享种群并进行下游比较分析。我们应用这种方法，在我们的R工具包Seurat (http://satijalab.org/seurat/)中实现，以对齐静息和刺激条件下的外周血单个核细胞的scRNA-seq数据集，使用两种分析技术测序的造血祖细胞，以及从人类和小鼠胰岛生成的胰腺细胞“图谱”。在每种情况下，我们在数据集上共同学习不同的或过渡的细胞状态，同时通过集成分析提高统计能力。我们的方法促进了scRNA-seq数据集的一般比较，有可能加深我们对不同细胞状态如何对扰动、疾病和进化做出反应的理解。
利益冲突声明
相互竞争的经济利益
作者声明没有相互竞争的经济利益。
数据
(一)药物治疗后的病例/对照研究中异质人群的玩具例子。四种类型的细胞用不同的符号绘制，而刺激条件用颜色编码。在标准的工作流程中，细胞通常根据细胞类型和刺激条件聚类，这为下游比较分析带来了挑战。(B)Seurat对齐过程使用典型相关分析来识别跨数据集的共享相关结构，并使用动态时间扭曲对齐这些维度。对齐后，单元格被嵌入到共享的低维空间中(这里用tSNE在2D中可视化)。(C)校准后，单个集成聚类可以识别不同条件下的保守细胞类型，允许进行比较分析，以确定细胞类型比例的变化，以及细胞类型对药物治疗的特异性转录反应。
(两者)在(A)对齐前和(B)对齐后，14,039个人pbmc的tSNE图在对照和IFN-β刺激条件下分裂。对齐后，不同刺激条件下的细胞根据共享的细胞类型分组在一起，允许单个联合聚类(C)来检测13个免疫群体。(D)综合分析揭示了细胞类型的标记(在刺激条件下保守)，IFN-β反应的统一标记(独立于细胞类型)，以及不同细胞类型的IFN-β反应成分。每个圆圈的大小反映了检测到基因的集群中细胞的百分比，颜色反映了每个集群中的平均表达水平。(E)受刺激细胞和未受刺激细胞在每个簇(n = 13簇)中的细胞比例(8个供体的中位数)。(F)常规树突状细胞和浆细胞样树突状细胞对IFN-β的异质反应示例(补充图4B所示的全局分析)。每一列表示单个患者体内单个细胞的平均表达量。仅显示至少5个细胞的患者/群集组合。(G)细胞类型对IFN-β的特异性反应的相关热图(n = 430个基因，静息和刺激之间有> ln(2)的差异)(T和DC亚群的个体相关性见补充图4A-B)。来自髓系和淋巴系的细胞表现出高度相关的反应，但浆细胞样树突状细胞表现出独特的IFN-β反应。
(两者)使用MARS-seq(2,686)和SMART-Seq2(765)对来自小鼠骨髓的3,451个造血祖细胞进行tSNE图测序，测序前(A)和后(B-C)对齐。对齐后，细胞根据共享的祖细胞类型组合在一起，而不考虑测序技术。(c - d)来自SMART-Seq2数据集的细胞被映射到最近的MARS-Seq集群和相关谱系(来自Paul等人)。(C)由指定谱系着色的细胞tSNE图。(D) SMART-Seq2谱系分配(来自Nestorawa等人)和MARS-Seq集群之间的映射对应关系。(E-F)热图显示MARS-Seq和SMART-Seq2数据集中谱系特异性基因表达模式。每一列表示按原始MARS-Seq聚类分配(E)或它们映射到的MARS-Seq聚类(F)对细胞进行分组后的平均表达。(G-H)两个数据集中的红系细胞的综合扩散图显示了一个对齐的发育轨迹(G)，具有保守的“伪时间”动力学(H)。(我)在两个数据集上比较每个基因在发育轨迹上的表达范围(绝对值)的散点图。
(两者)在(A)对齐前和(B)对齐后，来自人类(n = 8,424个细胞)和小鼠(n = 1,767个细胞)供体的10,191个胰岛细胞的tSNE图。对齐后，基于共享细胞类型的细胞跨物种分组，允许联合聚类(C)检测10个细胞群。(d e)人与小鼠之间共享细胞类型标记的无监督识别。跨物种联合DE测试鉴定的基因单细胞表达热图。(F)小提琴图显示了人类(n = 2431个细胞)和小鼠(n = 762个细胞)的β细胞集群中选择基因的基因表达分布，以及人类(n = 126个细胞)和小鼠(n = 10个细胞)的应激β细胞集群。(G)在这两个物种的β细胞的ER-应激亚群中，上调的前n=100个基因对ER未折叠蛋白应激反应的成分强烈富集。GO浓缩是使用GOplot R包可视化的。
(a, d, g, j, m)tSNE图用于PBMC数据集(n = 14,039个细胞)(A)、造血祖细胞数据集(n = 3,451个细胞)(B)、胰岛细胞数据集(n = 10,306个细胞)(C)、多个人类胰岛细胞数据集(n = 6,224个细胞)(J)和多个PBMC数据集(n = 16,653个细胞)(M)，经过ComBat和校正(b e h k n)limma。(c, f, i, l, o)使用Seurat对齐程序、ComBat、limma校正后和未校正后的对齐评分柱状图。Seurat对齐在所有五个例子中都优于其他方法。补充图15显示了Seurat无法对齐来自不同组织的数据集的“阴性对照”的其他示例。
类似的文章
-
单细胞转录组测序数据分析。方法Mol生物学，2018;1754:311-326。doi: 10.1007 / 978 - 1 - 4939 - 7717 - 8 - _18。 方法Mol生物学。2018。 PMID:29536451
-
隐性营养不良大疱性表皮松解症单细胞rna序列分析的多任务聚类方法。《公共科学图书馆·计算生物学》，2018年4月9日;14(4):e1006053。doi: 10.1371 / journal.pcbi.1006053。2018年4月系列 PLoS计算生物学，2018。 PMID:29630593 免费的PMC文章。
-
从单细胞RNA-seq分析中检测基因表达的高变异性。BMC Genomics. 2016 Aug 22;17 supl 7(Suppl 7):508。doi: 10.1186 / s12864 - 016 - 2897 - 6。 BMC Genomics, 2016。 PMID:27556924 免费的PMC文章。
-
单细胞RNA测序在肾脏疾病研究中的前景。2017年12月;92(6):1334-1342。doi: 10.1016 / j.kint.2017.06.033。Epub 2017 10月12日。 肾脏Int。2017。 PMID:28893418 免费的PMC文章。 审查。
-
心血管发育和疾病的单细胞和空间转录组学方法。BMB代表2020年8月;53(8):393-399。doi: 10.5483 / BMBRep.2020.53.8.130。 BMB 2020年代表。 PMID:32684243 免费的PMC文章。 审查。
引用的
-
通过批量和单细胞RNA测序建立乳腺癌相关成纤维细胞预后模型。生物医学学报。2022年12月2日;2021:2955359。doi: 10.1155 / 2022/2955359。eCollection 2022。 Biomed Res Int. 2022。 PMID:36510567 免费的PMC文章。
-
PTEN缺失导致中性粒细胞浸润与肾细胞癌免疫治疗反应差相关。中华医学会炎症杂志，2018年12月6日;doi: 10.2147 / JIR.S388990。eCollection 2022。 J炎症Res. 2022。 PMID:36510494 免费的PMC文章。
-
RhoA增强了egfr突变肺癌的脑转移生长和奥希替尼耐药。Nat Commun. 2022 12月12日;13(1):7690。doi: 10.1038 / s41467 - 022 - 34889 - z。 Nat Commun, 2022。 PMID:36509758
-
用于scRNA-seq UMI阈值优化和细胞类型精确分类的机器学习框架。前热内。2022年11月25日;13:982019。doi: 10.3389 / fgene.2022.982019。eCollection 2022。 前热内特，2022年。 PMID:36506328 免费的PMC文章。
-
3P医学视角下肌萎缩性侧索硬化症自身免疫相关基因的综合分析EPMA J. 2022 10月12日;13(4):699-723。doi: 10.1007 / s13167 - 022 - 00299 - w。收藏2022年12月 Epma j . 2022。 PMID:36505891
网格计算
LinkOut -更多的资源
全文来源
其他文献来源
