你值得拥有的单细胞RNA测序分析工具TOP 3

生信技能树jimmy

发布于 2020-03-27 17:50:04

2.1K0

发布于 2020-03-27 17:50:04

文章被收录于专栏：单细胞天地单细胞天地

不知不觉在单细胞转录组领域做知识分析也快两年了，很幸运聚集了五个小伙伴携手共进，我们承诺不间断更新5个月，把我们这两年的学习成果全部掏出来给大家，包括5个栏目：

文献速递（简短介绍，扩充知识面）
文献详解（图文并茂带来大家系统性学习）
R与Bioconductor的技巧（书籍翻译，妙招共享）
scRNAseq的GitHub的书籍翻译（原汁原味的名校教程）
全网第一个单细胞转录组视频教程学习笔记分享

希望大家能有所收获！

你现在看到的是随机栏目（澳大利亚在读博士投稿）

前言

RNA测序相信大家已经接触到不少了，它的样品通常来自研究某一组织细胞群。这些细胞被认为是同质的，也就是说每一个细胞内的表达水平被认为是相似的。但事实上细胞之间的异质性是很普遍的，RNA测序最终将表达量值算作所有细胞表达量的平均值，其实是掩盖了细胞间差异的信号。而单细胞RNA测序（scRNAseq）就可以去发现细胞亚群中不同基因型和表型，或者不同的功能细胞之间的异质性。

单细胞RNA测序主要在免疫学、癌症和发育研究中使用。这个技术可以让我们更全面的了解组织学上相似的细胞如何分化、发现新的细胞类型和状态。而且在个性化医疗癌细胞靶点鉴定中有很好的应用前景。

单细胞RNA测序现在是一个非常热门的技术，有着广泛的应用。当然为这个新技术开发得生物信息学工具也越来越多。OMICtools已经为我们选出了目前最受欢迎的单细胞RNA测序数据分析工具。（值得一提的是，OMICtools是一个非常有用的了解组学分析使用软件的网站，有针对基因组、群体遗传、RNAseq等各种分析的介绍。）

近日，OMICtools针对单细胞转录组数据处理工具进行了一场投票，让我们一起来瞧瞧最受欢迎的3个工具吧！

第一

Seurat和Monocle并列第一，47%的人投给了它们

Seurat是一个可以做单细胞RNA测序数据质量控制、数据分析和数据挖掘的R包。算法包括非监督聚类和预测细胞类型、单细胞数据空间重建以及不同处理，技术和跨物种的整合分析，还可以鉴定稀有细胞亚型。Seurat最有用的一点就是整合数据分析，它可以利用来自不同测序技术、不同物种和不同处理的数据中共同的变异来进行下游的差异分析。

Monocle是另一个比较成熟的软件包，它提出了一个在拟时间（pseudotime）上对单细胞进行排序的策略，利用生物过程中单个细胞之间并不同步的表达状态来还原这个生物过程的细胞轨迹。（这里简单的解释一下，当我们进行细胞某一时序过程，例如细胞分化过程中的表达量变化时，单细胞RNA测序无法获得单个细胞每个时间点的RNA。而这些生物学过程是一个动态的过程，表达量受到细胞相互作用和分子调控多种因素影响，在同一时间不同的细胞可能处于过程的不同阶段，我们可以通过一些统计学手段还原整个过程的细胞时间轨迹，也就引入了pseudotime，拟时间）

Monocle运用高阶的机器学习技术（Reversed Graph Embedding）来准确的对生物过程中的细胞进行排序。Monocle也可以利于t-SNE等降维的方法来进行聚类，然后发现差异表达基因。

第二

TSCAN和RCA同时获得了43%的投票

TSCAN也是一款基于细胞转录组渐变进行拟时间（pseudo-temporal）排序的工具。TSCAN利用基于聚类的最小生成树（minimum spanning tree，MST）算法来排序，首先对细胞进行聚类然后利用MST算法来连接每个亚群的中心。然后将每个细胞对应到树上，排序后的过程轨迹就可以用来研究基因表达的动态变化。在构建最小生成树之前先进行聚类减少数的空间复杂度，能够更好的进行细胞排序。TSCAN还有图形界面版本，支持数据可视化和用户交互。你可以从Bioconductor中获得，也可以使用Web版（https://zhiji.shinyapps.io/TSCAN/ ）。

RCA（Reference Component Analysis）参考成分分析，这个算法作为一个R 包用于对单细胞RNA测序数据进行聚类。RCA是目前已知的最好的单细胞转录组聚类方法，它所得到的聚类结果十分紧密，每个细胞簇几乎完全有同一类型细胞组成。RCA还发现了直肠癌肿瘤鱼正常粘膜中的多种细胞类型，要知道临床样品通常有非常强的批次效应。

RCA能对人类的单细胞RNA测序样品进行聚类分析，包括三种模式：1.GlobalPanel: 全局模式，默认选项用于分析各类细胞；2. ColonEpitheliumPanel：适合分析人类肠道样品；3. SelfProjection：适用于分析不太明确的组织样品，这个模式还在继续优化中。

第三

Wishbone (python3)

Wishbone利用分叉树（bifurcating branches）来识别单细胞的发育轨迹，首先支出分叉点，然后根据细胞的发育进度将每个细胞标记为分叉前(pre-bifurcation)或者两个不同细胞命运里的其中一个分叉后(post-bifurcation)的支上，从而完成排序。这个方法还被应用在研究小鼠骨髓细胞分化上。Wishbone可以分析各种测序技术得到的单细胞RNA测序数据，如单细胞质谱流式(Mass Ctyometry)和单细胞RNA测序。