单细胞测序生成的数据不仅丰富，更是打开生物学探索大门的钥匙。深度挖掘这些数据可帮助我们精准比较基因表达、识别特定细胞类型，并追踪关键细胞的分化轨迹，揭示复杂的细胞网络，为精准医学和生物研究提供有力支持。

图1 分析流程

我们的单细胞测序服务已免费包含标准分析和高级分析，其中包括细胞分类、基因差异和功能富集等基本数据解读。下面我们对部分内容进行详细介绍:

表1 分析内容

标准分析

降维聚类可视化

通过原始质控、细胞质控、多胞分析和批次矫正筛选得到有效细胞后，进一步对数据做标准化处理。然后基于SNN聚类算法对细胞进行聚类和分群，构建细胞间的聚类关系；将降维后的数据进行可视化展示，细胞之间的基因表达模式越相似，在t-SNE/UMAP图中的距离也越接近。

通过原始质控、细胞质控、多胞分析和批次矫正筛选得到有效细胞后，进一步对数据做标准化处理。然后基于SNN聚类算法对细胞进行聚类和分群，构建细胞间的聚类关系；将降维后的数据进行可视化展示，细胞之间的基因表达模式越相似，在t-SNE/UMAP图中的距离也越接近。

图2 细胞聚类的t-SNE图和UMAP图

注：每个点表示细胞，不同的颜色表示不同的cluster，cluster数目可以调整。

细胞群差异基因分析

基于降维聚类得到的结果，使用非参数检验方法（wilcox秩和检验），鉴定在每个cluster中特异表达的基因。我们可以通过火山图可查看基因在细胞亚群间的表达水平的差异，以及差异的统计学显著性。

图3 差异表达基因火山图

注：横轴表示差异分析的差异倍数的对数，纵轴表示差异分析的p值的对数。点表示基因，蓝色表示下调，灰色表示无差异表达，红色表示上调，虚线是差异分析的差异倍数和p值的阈值。

图4 Top10 Marker基因分析图

A.热图；B. 气泡图；C.小提琴图；C.t-SNE图；E. UMAP图

高级分析

GO/KEGG功能富集分析

GO分析用于对筛选出的基因在生物学过程、分子功能和细胞组分三个层面进行富集分析。KEGG分析则侧重于基因功能的系统性研究，对差异表达基因的通路（Pathway）进行注释和分析。

图5 GO/KEGG功能富集分析

转录因子结合位点预测

转录因子结合位点（TFBS）是与转录因子结合的DNA片段，一个转录因子往往同时调控若干个基因。我们用MEME软件对差异基因的启动子区域上的TFBS进行预测，可以找到调控差异基因表达的核心转录因子，从而识别出对特定细胞类型或状态具有关键调控作用的基因网络。

表2 转录因子结合位点预测

多样本单细胞数据整合

对多个样本的数据进行合并以及批次效应去除，可以减少技术偏差，使不同实验条件下的数据更具一致性，同时深入揭示生物异质性。

图6 分组样本细胞的tsne图

细胞注释

1.识别细胞类型：通过注释，可以将不同细胞群体分配到特定的细胞类型，帮助明确样本中的细胞组成，为下游分析奠定基础。

2.揭示生物学功能：细胞注释有助于理解各细胞类型在特定组织或疾病状态下的功能角色，解析细胞在不同生理和病理条件中的作用。

3.解析细胞异质性：注释不同亚群的细胞类型有助于揭示组织中的细胞异质性，识别关键细胞亚群，从而更全面地了解生物系统的复杂性。

图7 细胞注释图

细胞亚群Maker基因分析

Marker基因是特定细胞类型或亚群的标志，能够帮助准确区分不同细胞群，识别样本中的细胞组成，从而深入理解组织或样本的细胞异质性。探索细胞功能特征，支持差异性和特异性分析，帮助识别在不同生理或病理状态下显著变化的细胞群体，增强数据解读的精确性。

图8 细胞亚群Maker基因分析图

组间差异表达分析

比较同一种细胞亚型在不同样品之间的差异情况，对同一cluster中的不同分组进行组间差异分析，组间差异表达分析是揭示基因功能、理解疾病机制和支持个性化医学的核心工具。

图9 top10的差异基因在各样本的表达热图

图10 top差异基因展示

标准分析和高级分析通常能够满足基础的科研需求，但科研的魅力在于不断深入探索。个性化单细胞分析通过按需定制，能够更深入挖掘细胞异质性和疾病复杂性，为发现新的治疗靶点和生物标志物提供了独特优势，从而为您的研究带来更深度、精准的数据支持。

个性化分析

细胞亚群分析

细致分析不同样本、组别的细胞亚群比例变化，探索目标细胞群的特有基因及差异基因，揭示其涉及的生物学过程。

图11 细胞亚群分析示意图

细胞通讯分析

1. 疾病机制解析：揭示不同细胞类型之间的相互作用和信号传导通路，以便深入理解疾病的分子机制（如炎症、免疫反应、细胞增殖等）。

2. 免疫应答研究：识别免疫细胞（如T细胞、B细胞、巨噬细胞）之间的交互方式，揭示它们如何在免疫病理或感染状态下协同应对。

3. 细胞亚型相互作用：帮助研究不同细胞亚型间的相互作用，以揭示疾病复杂性和细胞异质性。

策略：CellChat、CellPhoneDB。

图12 细胞通讯分析示意图

拟时序分析

1. 疾病进展动态研究：追踪疾病发展中细胞状态的动态变化，揭示早期到晚期不同阶段的病理关联。。

2. 标识疾病驱动因子：通过分析拟时序数据，找到关键细胞亚型或通路，确定疾病的潜在驱动因素及治疗靶点。

策略：monocle2/monocle3进行拟时序分析，CytoTrace评估分化潜力

图13 拟时序示意图

肿瘤CNV分析

单细胞CNV分析可以揭示不同癌症细胞亚型之间的CNV差异，有助于了解癌症的复杂性和不同亚型的特征。

策路：inferCNV分析

图14 inferCNV示意图

RNA速率分析

1. 细胞亚型识别：通过转录速率分析识别不同癌细胞亚型，揭示疾病的多样性。

2. 疾病相关基因发现：比较健康与患病组织基因表达，鉴定特定疾病的关键基因与信号通路，助力潜在治疗靶点的发掘。

3. 细胞间互动研究：速率分析揭示不同细胞类型的相互作用和信号交流机制，有助于理解免疫反应和炎症过程。

策略：ScVelo RNA速率分析

图15 RNA velocity示意图

转录因子活性分析

1. 疾病机制解析：识别活跃的转录因子及其调控通路，揭示疾病状态下的关键分子机制（如炎症、代谢异常、增殖等）。

2. 疾病亚型识别：分型不同疾病亚型，深入了解其特征并辅助预后评估。

3. 药物开发和疗效评估：分析转录因子活性，识别潜在治疗靶点并评估药物干预效果。

图16 转录因子活性分析示意图

GSEA/GSVA分析

1. 生物学过程解析：在不同疾病状态下，识别活跃的生物学通路，深入理解炎症、代谢异常、细胞增殖等分子机制。

2. 疾病亚型和分型：发现不同疾病亚型间的差异，助力精准分型与预后判断。

图17 GSEA/GSVA示意图

WGCNA分析

1. 共表达基因模块发现：将相似表达模式的基因聚集为共表达模块，识别疾病中的重要基因网络，揭示生物学过程与信号通路。

2. 标识关键基因：分析模块与疾病的相关性，确定疾病进展的核心基因。

3. 揭示疾病亚型：识别不同疾病亚型间的基因表达特征，支持疾病的分型与预后。

4.生物标志物发现：基于疾病状态的基因模块，寻找新的生物标志物以用于早期诊断和监测。

5.基因调控网络解析：研究基因间的调控关系，揭示转录因子和非编码RNA在疾病分子机制中的作用。

图18 WGCNA示意图

总结而言，老师们可根据科研需求灵活选择个性化分析，助力深入数据挖掘。

公司重磅推出岁末测序服务，免费提供标准与高级生信分析、结果解读及方案设计/优化，如有需要，欢迎随时咨询！