作者：堯小飛
審稿：童蒙
編輯：angelica
引言
這幾年單細胞實驗和分析技術如雨后春筍般涌現(xiàn)，相關文章也層出不窮，各種軟文也是鋪天蓋地糯俗。作者嘔心瀝血整理了一篇關于單細胞的長文担汤，詳細介紹單細胞轉(zhuǎn)錄組分析的整體分析。本文是第一篇邑彪，我們一起來看看單細胞轉(zhuǎn)錄組的基本知識。
01 什么是單細胞轉(zhuǎn)錄組胧华？
單細胞轉(zhuǎn)錄組就是某一時刻單個細胞內(nèi)所有mRNA總表達量寄症，其表達量反映該細胞的總體特征。隨著2009年湯富酬老師首先開發(fā)單細胞轉(zhuǎn)錄組技術后矩动，單細胞轉(zhuǎn)錄組技術如雨后春筍般涌現(xiàn)出來有巧，比如Smart-seq、CEL-Seq悲没、Quartz-Seq篮迎、Drop-seq、InDrop-seq示姿、Smart-seq2等等甜橱。單細胞轉(zhuǎn)錄組技術的出現(xiàn)使得我們可以把研究的精度從組織多細胞層面精確到單個細胞領域，可以單獨研究某個細胞或者某群細胞具體的特征栈戳，特別是對于細胞發(fā)育岂傲、腫瘤微環(huán)境、單細胞圖譜繪制方面發(fā)揮了關鍵作用子檀。
單細胞轉(zhuǎn)錄組的平臺有很多镊掖，常用的有10xGenomics、BD Rhapsody命锄、Fluidigm C1堰乔、Bio-Rad等平臺，其中10xGenomics單細胞轉(zhuǎn)錄平臺由于其成本優(yōu)勢和通量優(yōu)勢脐恩，是最常見的一種單細胞解決方案提供商镐侯，其在市場上處于絕對優(yōu)勢。10xGenomics單細胞轉(zhuǎn)錄組平臺能夠一次高效地捕獲100-80,000細胞（一個芯片），1000個細胞的雙細胞率僅為0.9%苟翻，是目前最為常用的單細胞捕獲平臺韵卤。
在這里主要也是介紹基于10xGenomics單細胞轉(zhuǎn)錄組平臺數(shù)據(jù)進行的后續(xù)生信分析以及注意事項。
02 為什么要進行單細胞轉(zhuǎn)錄組研究崇猫？
普通轉(zhuǎn)錄組（Bulk RNA）是生物組織樣品中在某個時間對應的所有mRNA轉(zhuǎn)錄情況沈条，通常作為組織或者樣品某個時刻狀態(tài)的重要指標，不同的樣品诅炉、不同組織蜡歹、不同物種、不同的處理都會造成mRNA表達情況的改變涕烧，從而調(diào)控機體的生命狀態(tài)或者執(zhí)行某些細胞功能月而，相對于蛋白而言，mRNA的穩(wěn)定性和檢測的便利性议纯，大大促進了轉(zhuǎn)錄組技術的發(fā)展和應用父款。
“Every cell is unique—it occupies an exclusive position in space, carries distinct errors in its copied genome and is subject to programmed and induced changes in gene expression. Yet most DNA and RNA sequencing is performed on tissue samples or cell populations, in which biological differences between cells can be obscured by averaging or mistaken for technical noise.” ----Method of the Year 2013(Nature Methods )
但是樣品或者組織的轉(zhuǎn)錄組是所有細胞的一個轉(zhuǎn)錄組表達量的平均值，不能反映樣品中所有細胞或者某群細胞的狀態(tài)瞻凤，因此需要對單個細胞的或者某群細胞的轉(zhuǎn)錄狀態(tài)進行深入的研究憨攒，這樣將更精細、更準確反映組織的狀態(tài)阀参。 如果在進行免疫或者藥物反應研究的時候肝集，可以更精準地針對細胞或者細胞亞群進行免疫治療或者靶向治療，這是精準醫(yī)療必要條件结笨。
03 怎樣進行單細胞轉(zhuǎn)錄組研究包晰？
在思考這個問題之前，我們首先需要考慮的是什么是單細胞轉(zhuǎn)錄組炕吸？只有了解單細胞轉(zhuǎn)錄組本質(zhì)以后，才能更好了解如何去研究勉痴？
10xGenomics單細胞轉(zhuǎn)錄組基本流程如下圖所示赫模，我們最終得到的是一個表達矩陣，此矩陣一般每行為基因蒸矛，每列為細胞瀑罗。其實這個矩陣就是每個細胞所有的基因表達情況。
后續(xù)10xGenomics單細胞轉(zhuǎn)錄組的分析幾乎都是基于上述方式得到的表達矩陣進行分析的雏掠，不管是聚類還是發(fā)育軌跡構建斩祭，其實單細胞轉(zhuǎn)錄組研究的本質(zhì)就是研究我們捕獲細胞的的異質(zhì)性，也就是研究細胞與細胞具體有什么差異乡话，研究樣品中有什么類型的細胞摧玫，這些細胞有什么差異。
異質(zhì)性具體如何研究绑青？雖然現(xiàn)在單細胞轉(zhuǎn)錄組分析的工具和方案有幾百種诬像，就本質(zhì)來說屋群，只有兩種研究方法：一種是細胞類型的差異；另外一種是發(fā)育軌跡的構建坏挠。現(xiàn)在所有的工具都可以歸類到此兩類芍躏。
單細胞轉(zhuǎn)錄組表達矩陣的獲取
10xGenomics單細胞轉(zhuǎn)錄組表達矩陣一般是通過cellranger軟件獲取，cellranger為10xGenomics官方分析軟件降狠，一般后續(xù)高級分析或者重新分析都是基于此矩陣对竣。
具體cellranger使用方法如下圖所示：
一般cellranger資源消耗如下圖所示：
這一篇我們對基本知識進行了介紹，同時講解了如何獲得表達量矩陣榜配。下一篇我們會介紹詳細的單細胞轉(zhuǎn)錄組亞群分析過程和原理柏肪，請大家繼續(xù)關注。
參考文獻
1.Giovanni Iacono, Ramon Massoni-Badosa, Holger Heyn. Single-cell transcriptomics unveils gene regulatory network plasticity[J]. Genome biology, 2019, 20(1).
2.Gioele L M , Ruslan S , Amit Z , et al. RNA velocity of single cells[J]. Nature, 2018.
3.Park J , Shrestha R , Qiu C , et al. Single-cell transcriptomics of the mouse kidney reveals potential cellular targets of kidney disease[J]. Science, 2018:eaar2131.
4.Zhang X, Lan Y, Xu J, et al. CellMarker: a manually curated resource of cell markers in human and mouse[J]. Nucleic Acids Research, 2019.
5.Aran D, Looney A P, Liu L, et al. Reference-based analysis of lung single-cell sequencing reveals a transitional profibrotic macrophage[J]. Nature Immunology, 2019, 20(2): 163-172.
6.Aibar S , González-Blas, Carmen Bravo, Moerman T , et al. SCENIC: single-cell regulatory network inference and clustering[J]. Nature Methods, 2017.
7.Wouter, Saelens, Robrecht, et al. A comparison of single-cell trajectory inference methods[J]. Nature Biotechnology, 2019.
8.F, Alexander, Wolf, et al. PAGA: graph abstraction reconciles clustering with trajectory inference through a topology preserving map of single cells.[J]. Genome biology, 2019.
9.Diether L , Els W , Bram B , et al. Phenotype molding of stromal cells in the lung tumor microenvironment[J]. Nature Medicine, 2018.
10.Zheng C , Zheng L , Yoo J K , et al. Landscape of Infiltrating T Cells in Liver Cancer Revealed by Single-Cell Sequencing[J]. Cell, 2017, 169(7):1342-1356.e16.
