大家好，今天小编来为大家解答深入探索单细胞RNA研究的新进展这个问题，很多人还不知道，现在让我们一起来看看吧！
图片这种尖端方法可用于：
探索组织中存在哪些细胞类型识别未知/稀有细胞类型或状态阐明分化过程中或不同时间或不同状态下基因表达的变化识别在不同条件（例如治疗或疾病）下特定细胞类型中差异表达的基因组合在探索空间、调控和蛋白质表达信息时，scRNA-seq 是解决一些更常见研究的流行方法，包括：
细胞异质性谱系追踪随机基因表达图像
scRNA-seq 分析面临的挑战
在scRNA-seq 之前，使用Bulk RNA-seq（直接比较细胞表达平均值的方法）进行转录组分析。如果想要研究比较转录组学（例如来自不同物种的相同组织的样本）或量化疾病研究中的表达特征，这种方法可能是一个不错的选择。如果您的样本中的不期望或不关心中含有细胞异质性，它还有可能发现疾病生物标志物。
虽然bulk RNA-seq可以探索不同条件（例如治疗或疾病）之间基因表达的差异，但它无法完全捕获细胞水平的差异。例如，在下图中，如果我们进行Bulk 分析（左），我们将无法检测基因A 和基因B 的表达之间的正确关联。但是，如果我们按细胞类型或细胞对细胞进行正确分组状态，我们可以看到基因之间的正确关联。
图片图片来源：Trapnell, C. 使用单细胞基因组学定义细胞类型和状态，基因组研究2015（doi：https://dx.doi.org/10.1101/gr.190595.115）
尽管scRNA-seq能够捕获细胞水平的表达，但样本生成和文库制备成本更高，且分析更加复杂且难以解释。 scRNA-seq 数据分析的复杂性包括：
大量数据每个细胞的测序深度细胞/样品之间的低技术变异性细胞/样品之间的生物变异性我们将在下面更详细地探讨这些复杂性：
数据量大
scRNA-seq 实验的表达数据代表来自数千个细胞的数万或数十万条读数。数据输出要大得多，需要更多的内存来分析、更大的存储要求以及更多的时间来运行分析。
每个细胞的测序深度低
对于基于液滴的scRNA-seq 方法，测序深度较浅，通常只能检测到每个细胞10-50% 的转录组。这导致细胞中许多基因的计数为零。然而，在特定细胞中，基因的零计数可能意味着该基因的没有被表达，或仅没有检测到个转录本。在细胞中，表达水平较高的基因往往具有较少的零。由于这一特性，许多基因在任何细胞中都检测不到，并且细胞之间的基因表达可能存在很大差异。
Zero-inflated ？scRNA-seq 数据通常被称为零膨胀；然而，最近的分析表明，考虑到测序深度，它包含的零数不超过预期。瓦伦丁·斯文森的博客文章。最近还有一篇讨论scRNA-seq 数据建模的论文(https://www.nature.com/articles/s41588-021-00873-4)。
跨细胞/样品之间的生物学差异
不需要的生物变异来源可能会导致细胞之间的基因表达与实际生物细胞类型/状态更加相似/不同，这可能会掩盖细胞类型的身份。
生物学差异的无益来源（除非是实验研究的一部分）包括：
转录爆发：并非所有基因的基因转录始终处于开启状态。收获的时间将决定每个细胞中基因的开启还是关闭。RNA处理速率不同：不同的RNA 以不同的速率进行处理。连续或离散的细胞特性（例如每个单独 T 细胞的促炎症潜能）：根据定义，连续表型在基因表达中是可变的，有时很难将连续表型与离散表型分开。环境刺激：细胞的局部环境可以根据空间位置、信号分子等影响基因表达。时间变化：基本的细胞移动过程（例如细胞周期）会影响单个细胞的基因表达谱。图片图片来源：Wagner, A 等人。使用单细胞基因组学揭示细胞身份的载体，Nat Biotechnol。 2016 (doi:https://dx.doi.org/10.1038%2Fnbt.3711)
细胞/样品之间的技术差异
技术差异的来源可能会由于技术差异而不是生物细胞类型/状态的变化而导致细胞之间的基因表达变得更加相似或不同，这会模糊细胞类型的一致性。
技术差异的来源包括：
细胞特异性捕获效率：不同的细胞捕获具有不同数量的转录本，导致不同的测序深度（例如转录组的10-50%）。
文库质量：降解的RNA、低活力/垂死的细胞、大量的无细胞RNA、解离不良的细胞以及不准确的细胞定量可能会导致质量指标较差。
扩增偏差：在文库制备的扩增步骤中，并非所有转录本都扩增到相同水平。
批次效应：批次效应是scRNA-Seq 分析中的一个重要问题，因为您可以仅看到批次效应造成的显着差异。
图片图片来源：Hicks SC 等人，bioRxiv (2015)(https://www.biorxiv.org/content/early/2015/08/25/025528) 为了探讨批次研究设计不佳所产生的问题，[本文](https://f1000research .com/articles/4-121/v1）很好地解释了这些问题。
如何知道是否有批次效应呢？
所有RNA 分离是否在同一天进行？所有文库准备工作都是在同一天进行吗？是否由同一个人对所有样品进行RNA 分离/文库制备？您是否对所有样品使用相同的试剂？您是否在同一地点进行RNA 分离/文库制备？如果任何一个答案是"No"，那么就会出现批量效应。
关于批次的做好做法：如果可能，以避免批量的方式设计实验。如果无法避免批次：不要批次混淆实验：图像图片来源：Hicks SC 等人，bioRxiv (2015)(https://www.biorxiv.org/content/early/2015/08/25/025528)
不要对不同样本组进行批量复制，跨批次拆分不同样本组的重复样本。如果在不同条件下进行DE 或在总体水平上得出结论，重复次数越多越好（肯定大于2）。如果使用一次准备一个文库的inDrops，请交替使用几组样品（例如，不要先准备所有对照文库，然后再准备所有处理文库）。图片图片来源：Hicks SC 等人，bioRxiv (2015)
不要在实验初始数据中包含批次信息。在分析过程中，我们可以消除批次之间的差异，也可以跨批次进行整合，所以只要我们有这些信息，就不会影响我们的结果。
结论
虽然scRNA-seq 是一种可以从单细胞水平分析基因表达的功能强大且有见地方法，但它仍然可以存在许多挑战和变异来源使数据分析变得复杂或有限。
【深入探索单细胞RNA研究的新进展】相关文章：
2.米颠拜石
3.王羲之临池学书
8.郑板桥轶事十则
用户评论
这个领域真是太酷了！想像一下我们能从单个细胞里读出它的基因表达是什么状态...
有8位网友表示赞同！
很期待看到这种技术在医学研究中的应用，也许可以帮助诊断疾病呢？
有8位网友表示赞同！
单细胞 RNA 的解析技术发展得真快啊，以前做这项工作太复杂了。
有12位网友表示赞同！
这篇文章一定很有深度，我必须好好看看！
有13位网友表示赞同！
想知道这篇文章探讨了哪些具体的应用场景，比如癌症研究吗？
有12位网友表示赞同！
单细胞 RNA 分组分析是不是能帮助我们更好地理解细胞之间的差异？
有11位网友表示赞同！
这篇文章会不会介绍一些最新的实验方法和数据解读技巧？
有10位网友表示赞同！
我一直对生物信息学很感兴趣，尤其像单细胞 RNA 这种技术！
有18位网友表示赞同！
学习单细胞 RNA 的分析手法真是个挑战，但也很有成就感。
有10位网友表示赞同！
希望这篇文章能给我一些新的灵感，让我在研究中有所突破。
有14位网友表示赞同！
我一直想了解不同类型的细胞之间基因表达的差异会如何影响生物功能。
有12位网友表示赞同！
单细胞 RNA 技术是不是能够帮助我们更好地理解发育过程中的细胞分化？
有15位网友表示赞同！
这篇文章会不会介绍一些基于单细胞 RNA 的新药物研发方向？
有13位网友表示赞同！
想了解一下单细胞 RNA 数据分析的最新进展和趋势。
有15位网友表示赞同！
非常期待看到单细胞 RNA 技术在未来的应用前景，它真是颠覆性的技术！
有10位网友表示赞同！
这篇文章能让我更好地理解单细胞 RNA 的研究意义吗？
有9位网友表示赞同！
我最近在学习单细胞 RNA 分析工具，希望能从这篇文章中得到更多知识。
有13位网友表示赞同！
对生物学研究来说，单细胞 RNA 技术真是个重要的突破！
有12位网友表示赞同！
阅读这篇文章能让我更好地把握单细胞 RNA 研究的前沿趋势吗？
有8位网友表示赞同！