开发者在github中把关键点介绍的很清楚了。
1、根据细胞的分化潜能对细胞进行分类：
totipotent(多谱系分化的全能)—pluripotent(多谱系分化的多能)—multipotent(谱系限制分化的多能)—oligopoten(谱系限制分化的寡能)—unipotent(谱系限制分化的单能)—differentiated(分化)
2、预测的效价分数提供了对发育潜力的范围：从 0(differentiated）到 1（totipotent）。
3、该框架是基于31个人类和小鼠 scRNA-seq 数据集，涵盖 28 种组织类型的先验知识所构建的工具。
研究者在发表的文章说也提了几点缺陷，其中有两点需要关注一下。
1、需过滤低质量数据，当然一般情况下大家都是没问题的。
2、目前建议该工具仅使用在老鼠和人，其他物种需要谨慎使用。同时我认为使用者也应结合自己数据的实际情况进行判断，在已经明确不同细胞系的分化先后顺序时可以不使用该工具。
步骤流程
1、导入
rm(list=ls())
library(tidyverse)
library(CytoTRACE2)
library(Seurat)
library(paletteer)
library(BiocParallel)
register(MulticoreParam(workers = 4, progressbar = TRUE))
load("scRNA.Rdata")
sub_dat <- subset(scRNA, subset = celltype %in% c("CD8+ T-cells", "CD4+ T-cells"))
2、提取数据/运行CytoTRACE2
# 提取表达矩阵信息
expression_data <- GetAssayData(sub_dat,layer = "counts")
# 运行CytoTRACE2
cytotrace2_result <- cytotrace2(expression_data,species = 'human')
# 提取注释信息
annotation <- data.frame(phenotype = sub_dat@meta.data$celltype) %>%
set_rownames(., colnames(sub_dat))
# 使用plotData函数生成预测和表型关联图
plots <- plotData(cytotrace2_result = cytotrace2_result,
annotation = annotation,
expression_data = expression_data
)
# 导出图片
plots$CytoTRACE2_UMAP
plots$CytoTRACE2_Potency_UMAP
plots$CytoTRACE2_Relative_UMAP
plots$Phenotype_UMAP
plots$CytoTRACE2_Boxplot_byPheno
Phenotype_UMAP 重新对细胞群进行了降维，把表型映射在了图上。可以看到左边主要是CD8+T细胞，右边主要是CD4+T细胞。CytoTRACE2_UMAP展示了不同细胞的预测打分，按照颜色进行了划分。越是红色越靠近全谱系的分化状态，而越是接近蓝色则靠近已经分化完成的状态。这与上面的Phenotype_UMAP图结果是基本符合的，CD8+T细胞是目前已经认识明确(相对地)的一种功能性T细胞，而这里的CD4+T细胞有很多不同功能/阶段的亚群。
CytoTRACE2_Potency_UMAP跟上图类似
CytoTRACE2_Relative_UMAP直接用分值进行映射
CytoTRACE2_Boxplot_byPheno更加直观的展示了分值
最后可以根据结果去辅助判断单细胞拟时序分析的细胞起点！
参考资料：
1、Mapping single-cell developmental potential in health and disease with interpretable deep learning. 2024 Mar 21:2024.03.19.585637
2、CytoTRACE2：https://github.com/digitalcytometry/cytotrace2
3、生信技能树：https://mp.weixin.qq.com/s/S1-ClJEtR0ro0sYnIF6iaw
4、KS科研分享与服务：https://mp.weixin.qq.com/s/Cyng4LjHihmjajr1pT0v1A
注：若对内容有疑惑或者有发现明确错误的朋友，请联系后台(欢迎交流)。更多内容可关注公众号：生信方舟
- END -