2024年9月，Molecular Biology and Evolution在线发表了复旦大学与崖州湾国家实验室合作开发的多倍体单细胞定量分析方法学文章“A quantitative computational framework for allopolyploid single-cell data integration and core gene ranking in development”。
单细胞测序技术和空间转录组技术能够在细胞层面刻画基因表达与发育进程的关系。然而，由于高维、噪声和稀疏性，单细胞数据分析错误率高，难以实现样品间比较及多组学数据整合和进一步的机制解析。特别是对于多倍体单细胞数据，由于每个细胞的数据都叠加了亚基因组维度的比较，错误进一步累积，限制了深入的机制解析。
文章开发了一个定量计算框架，伪基因组分化定量(pgDQ)，用于直接在细胞水平上量化和追踪亚基因组分化。通过与单细胞RNA测序数据的细胞分化轨迹比较，可以方便地检验亚基因组分化与发育进程之间的关系。pgDQ的结果具有稳健性，对数据丢失和噪声不敏感，避免了由于基因、细胞和亚基因组多重比较而产生的高错误率。
同时，文章提出了一种统计诊断方法，用于识别在发育过程中对亚基因组分化起核心作用的基因。不同于主流单细胞分析建立复杂的统计模型鉴定关键基因，这种方法的核心思想是，如果一个基因具有关键作用，那么在去除该基因后，对亚基因组分化模式的影响最大。由此提出了“必要分数(indispensable score)”来对基因的重要程度进行排序。
通过上述细胞间的定量比较及基因重要性的定量排序，可以方便地整合不同类型的数据，从而识别在发育过程中调控亚基因组差异活动的因子和通路。实例分析表明，这一定量比较框架不仅成功应用于单细胞数据，也适用于大量组织转录组数据的分析、比较、整合，以及关键基因的挖掘和机制解析。总之，这种方法对于单细胞和空间转录组等高维度数据的分析，具有广泛的应用前景。
复旦大学张一婧研究员、胡跃清教授、中国科学院遗传与发育生物学研究所、崖州湾国家实验室凌宏清研究员为论文的共同通讯作者。王梅月博士、李子娟博士和王昊宇为论文的共同第一作者。南京农业大学张文利教授、中国科学院遗传与发育生物学研究所薛勇彪研究员、童依平研究员、上海农业科学研究院刘成洪研究员、西北农林科技大学毛虎德教授、河南大学李浩教授和中国科学院西北高原生物研究所张波研究员合作参与本项工作。本项目得到多个国家重点实验室开放课题和国家自然科学基金的支持。
文章链接：https://academic.oup.com/mbe/article/41/9/msae178/7746018
多倍体单细胞数据整合与发育核心基因排序的量化流程
1.重排亚基因组：把原始表达矩阵重塑成一个张量，表达值按亚基因组排列，形成三个不同的伪基因组。对于每个细胞(用红框标记)，这些伪基因组形成高维空间中的点，利用欧几里得距离衡量亚基因组的分化强度。
2.量化发育过程中的亚基因组分化强度：对每个细胞，计算三个伪基因组之间的欧几里得距离之和，作为该细胞的亚基因组分化强度。⇀符号代表每个伪基因组中基因表达值构成的向量。这种转换将检测亚基因组分化的复杂统计问题转化为简单的空间距离计算，最小化了大量多重比较带来的错误。通过将定量的亚基因组分化映射到按伪时间排序的细胞分化轨迹上，可以将随机的亚基因组分化与发育过程中的细胞分化紧密联系起来。
3.关键基因检测和数据整合：定量的细胞水平亚基因组分化可以进一步应用于量化基因在细胞分化过程中对亚基因组分化的贡献(divGene算法)，计算“必要分数(indispensable score)”来对基因的重要程度进行排序。
为了不让您最关心的内容被湮没
防止我们一不小心失散
快把“iPlants”设置为星标吧★
只需三步↓↓
文章顶部点击「iPlants」名称进入公众号主页，点击右上角「三个小点」，点击「设为星标」，iPlants名称旁边出现一个黄色的五角星，就设置成功啦~
