CancerSCEM: 人类癌症单细胞表达图谱数据库

文章信息

文章题目：CancerSCEM: a database of single-cell expression map across various human cancers 日期：2021-09-29 期刊：Nucleic Acids Research DOI：https://doi.org/10.1093/nar/gkab905

一句话概括

一个包含人类多种癌症的scRNA数据库CancerSCEM，除了常规的分析之外，还提供网站可视化和在线分析（https://ngdc.cncb.ac.cn/cancerscem）

为什么要建这个数据库？

• 首先肯定是因为目前产生了大量的数据集，但是公共的数据库不多，比如Single Cell Portal，PanglaoDB，Single Cell ExpressionAtlas，Human Cell Atlas Data Portal，scRNASeqDB，大部分是人和小鼠的数据。但是这些数据库只做了初步的分析，比如细胞分群、差异分析
• 还有一些专注于疾病的scRNA数据库，比如CancerSEA、TISCH，它们提供了额外的注释和富集分析等。但CancerSEA当时只做了某些类型和某些状态下的细胞，TISCH又没有提供统一的标准化矩阵，容易导致后面用户拿到后引入批次效应

所以，CancerSCEM (Cancer Single-cell Ex- pression Map) 提供了数据搜集、整理、分析、可视化一体。目前包括人类20种癌症的208个样本的638,341个单细胞数据

数据搜集

数据来自：GEO、ArrayExpress、EBI、GSA、ZENODO，涵盖了10X Genomics, Smart-seq2, Drop-seq, Seq-Well and Microwell 5大平台，其中原始数据占比82.69%。

• 10X数据采用cellranger V5处理；
• 非10X数据使用Fastp+Trimmomatic+zUMIs处理

常规数据处理

质控

• DoubletFinder用于doublets去除（标准是7% per 10 000 cells）
• Seurat V3 进行初步质控过滤：200 ≤ nfeatures ≤ 5000 and MT < 10%

非监督聚类

PCA + tSNE + UMAP 聚类

细胞类型注释

biomarker 基因来自Cell Marker数据库，细胞注释三步走：

• scCancer v2.2.0 + Copy- KAT v1.0.4：copy number variation assessment A group of marker genes, such as EPCAM, KRT8, KRT18, KRT19 and EGFR in glioblastoma cells that represent cancer cells or cancer stem cells, were investi- gated in parallel. Cells with significantly abnormal CNV levels and high expression levels of above marker genes were defined as malignant cells
• Manual annotation ：自己看marker基因表达 常见的比如：T cells (e.g. CD3D, CD3E), B cells (e.g. MS4A1, BANK1), Macrophages/Monocytes (e.g. CD68, CD14), Mast cells (e.g. SLC18A2, ASIC4), Endothelial cells (e.g. VWF, PECAM1), Fibroblasts (e.g. FAP, NECTIN1), Oligoden- drocytes (e.g. OLIG1, PLP1) and Astrocytes (e.g. SLC1A3, GFAP) 网站的Documents也给出了所使用的全部marker基因列表
• SingleR: 工具注释

此外，还将T、B细胞继续进行细分亚群，最终得到了包括免疫细胞在内的33种细胞类型

差异分析

FindMarkers用来对每个细胞群进行差异分析

个性化处理步骤

• 拿到受配体基因对：来自CelltalkDB、SingleCellSingalR、Cellinker、Cell–Cell Interaction Database、综述文章
• 拿到Oncogenes and tumor suppressor genes（TSG）：来自Cancer Gene Census (CGC)、OncoKB、Network of Cancer Genes (NCG)、TSGene、IntOGene、cancer gene clinical care study。
• 对这些基因进行了过滤（至少在三个数据库中存在，并且在数据集呈现出类似的表达模式）
• 拿到TCGA 的13个癌症项目的bulk RNAseq数据，看在不同癌症的组织水平上这些基因的表达模式，也当做scRNA的参考
• 用之前得到的差异基因进行GO、KEGG富集
• 用Hmisc进行基因表达关联分析
• 细胞通讯用CellphoneDB
• 生存分析用survival + survminer

数据库构建

• 前端：Thymeleaf (a Java template engine), HTML5, CSS, AJAX, JQuery and Bootstrap
• 后端：Spring Boot
• 数据存储：MySQL
• 数据读取：Mybatis
• 交互图：Echarts, Highcharts, svg3dtagcloud.js and plotly.js
• 表格：Bootstrap Table