要说如今最炙手可热的转录组研究技术，非单细胞转录组技术莫属。正因如此，面向单细胞转录组数据的分析方法层出不穷。虽然分析方法百花齐放，但总有几个一枝独秀，其中之一就是今天我们要介绍的单细胞转录组个性化分析点：拟时分析。拟时分析的主要作用在于推测样本数据可能的分化路径。生命的发生发展是一个细胞动态演化的过程，而单细胞转录组技术提供的基因表达信息是细胞水平的，因此单细胞转录组数据是进行拟时分析的绝佳对象。与转录因子分析、细胞通讯分析这些数据库依赖的个性化分析点不同，拟时分析所需要的输入信息仅仅只有单细胞转录组的表达矩阵，因此任何单细胞转录组数据都可以进行拟时分析，无需考虑额外的数据库信息。常规的拟时分析基本包含这两大计算步骤：降维（Dimensionality reduction）和建轨（Trajectory modelling）。降维是从复杂的多维信息矩阵中合并、提取出相对关键的信息从而排除噪音并节省分析资源。建轨则是基于这部分关键信息，将细胞排列在模拟出的分化轨迹之上。确定好合适的分析思路对于研究课题来说至关重要。单细胞转录组研究中拟时分析的分析思路大致可以分为两种方向：A)对相同分组之内的不同细胞亚群进行拟时分析；B）对不同分组之间的相同细胞亚群进行拟时分析。这两种思路所研究的细胞组成不同，因此对应结果的侧重点也不同，下面就来看看这两个思路吧。对相同的分组内的细胞进行拟时分析是最为常见的拟时分析思路，无论是细胞图谱类型的研究还是组间差异的研究，都能采用这种拟时分析思路，通过这一思路得出的拟时分析结果是包含了多种细胞类型的分化轨迹，因此，这一思路的侧重点在还原出组织样本中细胞真实的动态分化过程，并以此展开讨论。比如Leilei Zhong等人[1]关于辐射状态下小鼠的组间差异研究中，对辐射（R）和非辐射（NR）状态小鼠的骨髓谱系细构建分化轨迹，发现辐射状态下骨髓祖细胞（EMP）会更多分化为脂肪前体细胞（MALP）。类似的，在Antonella Fidanza[2]等人对人类多能干细胞（HPSC）分化过程的细胞图谱研究中，通过结合了2种拟时分析方法，构建出了由HPSC分化而来的Naive干细胞的多分支分化轨迹，填补了HPSC体外分化的分化动力学以及异质性研究的空白。对不同分组内的相同细胞进行拟时分析适用于组间差异研究。基于这种思路的拟时分析会单独提取不同分组中重点关注的同一细胞类型来构建分化轨迹。有别于思路一，这种轨迹中的细胞理论上来源于不同状态的组织，因此这种思路的侧重点在于解析一个时间尺度内相同细胞在不同状态下的基因表达的连续变化。Rundong Wu等人[3]对于肺成纤维细胞的异质性研究就采用了这种思路，通过提取不同时间点（新生小鼠到老年小鼠）的成纤维细胞合并进行拟时分析，发现位于轨迹末端的老年组成纤维细胞大部分已经表现出了肌成纤维细胞的特征。![]()
作为单细胞转录组分析方法中门槛较低的几个分析方法，拟时分析正逐渐成为单细胞转录组研究的“最佳拍档”。这种从静态表达矩阵推测动态分化过程的分析方法无疑能帮助我们挖掘更多潜藏在庞大数据之下的生物学故事。今天我们简单介绍了一下拟时分析的基本计算过程以及常见的两种分析思路。对于拟时分析，基迪奥不仅拥有丰富的独立项目分析经验，还拥有整合了多种拟时分析方法的单细胞云分析平台omicsmart。此外，在下个月即将进行的单细胞转录组培训班中，还会对多种拟时分析方法进行讲解并进行实操练习，对相关内容感兴趣的老师还请联系基迪奥了解详情噢！依旧是经验丰富的讲师全程在线，指导课前软件安装、课中课后答疑，培训内容由单细胞组学概述、R语言入门等基础理论实操，进阶至单细胞数据基础分析、seurat&ggplot绘图实操、单细胞多组学分析、单细胞进阶绘图实操等高级分析与绘图，并拓展分享经典文献与实际应用案例，由浅入深安排课程，系统学习单细胞组学知识。如果没时间参加某节课程的直播，我们提供全程回放录播，一年内无限次观看学习；并且除了课表中的内容全部讲到，在上传的回放系列视频中还有补充课程视频提供大家课后观看学习：此外还将提供：
如需开票也可联系小助理企业微信，提供发票及对应明细单。发送姓名、单位、电话到邮箱contact@genedenovo.com，主题注明“单细胞培训班”客服：020-39341079或18054271626，蒋小姐[1] Zhong L., Yao L., Holdreith N., et al. Transient expansion and myofibroblast conversion of adipogenic lineage precursors mediate bone marrow repair after radiation [J]. JCI Insight, 2022, 7(7).
[2] Fidanza A., Stumpf P.S., Ramachandran P., et al. Single-cell analyses and machine learning define hematopoietic progenitor and HSC-like cells derived from human PSCs [J]. Blood, 2020, 136(25): 2893-904.[3] Wu R., Zhang X., Zhang X., et al. Deciphering the age-dependent changes of pulmonary fibroblasts in mice by single-cell transcriptomics [J]. Front Cell Dev Biol, 2023, 11: 1287133.*未经许可，不得以任何方式复制或抄袭本篇文章之部分或全部内容。版权所有，侵权必究。
![]()
联系方式：020-39341079；service@genedenovo.com
