单细胞转录组数据分析入门-1-数据与分析平台

关于单细胞转录组数据

细胞与基因表达矩阵

• **稀疏性：** 多数基因的表达值为零或接近零，因为在特定细胞中只有部分基因会被活跃表达。

• **高维度：** 单细胞实验通常包含数千个基因和数千至数百万个细胞。

数据来源：

• **测序原始数据：** FASTQ 文件通过预处理（如 Cell Ranger）生成表达矩阵。

• **表达值单位：** 包括原始 UMI 计数、归一化值（TPM、FPKM）或对数转换值。

不同的表达值单位

UMI（Unique Molecular Identifier）矩阵

• UMI 是单细胞测序中特有的一种技术，使用分子标签标记每个转录本以消除 PCR 扩增带来的冗余计数。

• 矩阵中的值表示某基因在某细胞中的独立 UMI 数量，即真实的转录本数量。

特点：

• **计量单位：** 原始 UMI 计数（整数值）。

• 优势：

• 消除了 PCR 扩增偏差，表达水平更加真实。

• 数据稀疏性高，通常需要归一化后使用。

• 用途：

• 用于直接量化基因表达，适合单细胞数据的统计分析和降维。

FPKM（Fragments Per Kilobase of transcript per Million mapped reads）矩阵

• FPKM 是一种传统转录组测序数据的归一化方法，考虑了测序深度和转录本长度的影响。

• 矩阵中的值表示每千碱基转录本每百万读段的映射片段数。

计算公式：

特点：

• **计量单位：** 浮点数，通常较小（如 0.1 至数百）。

• 优势：

• 能跨基因比较表达水平（考虑了基因长度）。

• 劣势：

• 对单细胞数据噪声敏感，适合大规模样本群体数据分析。

• 用途：

• 大量基因的定量分析，但逐渐被 TPM 替代。

TPM（Transcripts Per Million）矩阵

• TPM 是改进后的归一化方法，与 FPKM 类似，但通过将每个基因的表达值占总表达值的比例进行归一化，更便于跨样本比较。

计算公式：

1. 对每个基因计算标准化值：

1. 将标准化值归一化为百万：

特点：

• **计量单位：** 浮点数，通常在 0.1 至数千范围内。

• 优势：

• 易于跨样本比较（总和为 1,000,000）。

• 在单细胞和群体数据中都适用。

• 用途：

• 用于样本间基因表达水平的直观比较。

Counts 矩阵

• Counts 矩阵表示转录本测序中，直接映射到基因上的原始计数值，是最基础的表达矩阵。

特点：

• **计量单位：** 整数值（原始读段数）。

• 优势：

• 无信息丢失，保留最原始的数据。

• 适合后续归一化处理（如 UMI 或 TPM）。

• 劣势：

• 未归一化数据受测序深度和其他技术因素影响，难以直接用于比较。

• 用途：

• 作为数据分析的起点，后续需通过归一化方法（如 TPM 或 FPKM）处理。

矩阵类型对比

实际应用建议

• **UMI 矩阵：** 用于单细胞 RNA-seq 分析时的默认选择。

• **FPKM 和 TPM 矩阵：** 更多应用于传统转录组分析，TPM 在跨样本比较中表现更优。

• **Counts 矩阵：** 是所有分析的起点，但需归一化处理后方可使用。

分析平台

R 语言分析平台：Seurat

• Seurat 是由 Satija Lab 开发的单细胞转录组分析工具包，最早发布于 2015 年，目前是单细胞数据分析领域中最受欢迎的工具之一。

• 支持与其他工具的结合，如 CellChat（细胞通讯分析）、Harmony（批次效应校正）。

• 支持多组学数据整合（如 scRNA-seq 与 scATAC-seq）。

缺点

• 由于 R 语言的固有缺陷，在面对大规模数据时（如数百万细胞）可能性能不足。

Python 分析平台：Scanpy

• Scanpy 是一个基于 Python 的开源单细胞数据分析工具，由 Theis Lab 开发。

• 专注于大规模单细胞数据集的快速、高效分析，支持大规模数据处理和分析。

• 其在面对大规模单细胞数据（百万级别）时表现优异。

缺点

1. **可视化能力稍逊：** 默认图形输出质量不如 Seurat，但可以通过其他 Python 库（如 Matplotlib、Seaborn）弥补。

2. **学习曲线较陡：** 对编程和 Python 生态系统的掌握有一定要求。

Seurat 与 Scanpy 的对比

本教程的分析平台选择