scRNA-seq的出現為探索單細胞水平的基因表達譜提供了前所未有的機會。 目前，scRNA-seq已成為研究細胞異質性的關鍵生物學問題（尤其是在腫瘤學和免疫學研究中）的首選。 然而，由於它的高維，稀疏性，跨細胞群體的異質性，技術噪音以及缺乏可重複性，它在數據可視化和統計分析中也提出了新的挑戰。
基於下一代測序的基因組學，轉錄組學和表觀基因組學技術現在越來越關注於單個細胞的表徵。 例如，單細胞RNA測序（scRNA-seq）可以在細胞水平上全面表徵轉錄變化，並有助於更好地了解單個細胞在其微環境中的功能。 最近，它已經被用來戰鬥COVID-19通過表徵單個免疫細胞的轉錄變化。
JMP Genomics 10中新添加的scRNA-seq工作流程可幫助您通過聚類分析可視地和交互式地探索複雜和稀有細胞群體，然後檢測跨細胞類型和其他條件的差異基因表達模式。
為什麼選擇JMP基因組學？
在JMP基因組學10 ，我們創建了一個標準化，交互式且可重現的scRNA-seq工作流程，以使科學家們充滿信心地有效探索其scRNA-seq數據。 此工作流程的關鍵功能包括數據質量控制（QC），可變基因選擇，稀疏SVD分析，聚類，功能重要性篩選，動態可視化（例如小提琴圖，山脊線圖和點圖），以及差異基因表達分析。 此外，當安裝了適當的R包時，它利用JMP中的R集成功能對細胞群進行t-SNE或UMAP可視化。
主要特徵
本文通過分析以下內容向您展示了此新工作流程中的關鍵功能： PBMC數據集舉個例子。 首先，您將需要使用位於導入>下一代測序JMP Genomics中的“菜單”以稀疏格式讀取原始UMI計數數據，然後將其轉換為密集格式。 然後，可以將進口商的輸出數據用作基本單細胞RNA-seq工作流程的輸入，該工作流程位於工作流程>基本子菜單。 在界面中指定設置後，單擊跑生成在JMP項目中組織的選項卡式報告。
圖1：基本ScRNA-Seq工作流程的界面。
數據概述和質量控制
該工作流程執行QC步驟以刪除低質量的細胞和基因。 數據概述報告將幫助您確定要使用的質量控制標準。 （您可以在以下位置的這篇文章中探索該可視化以及其他內容： JMP公開）
圖2：包含此數據集主要統計數據的數據概覽報告。
可變基因選擇
處理scRNA-seq數據中的高維度和稀疏性的一種方法是僅關注表現出高細胞間差異的基因。 為此，工作流提供了兩種可變基因選擇方法，即Dispersion和VST，以幫助您選擇一組高度可變的基因用於後續分析。 “可變基因選擇”選項卡顯示方差均值圖，其中選定的可變基因為紅色。
圖3：VST方法的方差均值圖。 紅點代表選擇的可變基因；其餘基因被丟棄。
稀疏SVD分析
然後，工作流將執行稀疏SVD分析，以進一步減少數據集的維度和稀疏性，以實現聚類和可視化目的。 “聚類”選項卡同時提供2D和3D SVD圖以及最重要的組件，以幫助您探索數據中的全局結構。
圖4：3D SVD圖顯示了前三個組件。
聚類
scRNA-seq數據分析中的一項重要任務是通過聚類算法識別細胞群體。 該工作流程提供了兩種聚類算法：分層算法和K均值。 在此示例中，我們使用了層次聚類，它在PBMC數據集中標識了九個聚類。 您還可以通過樹狀圖或星座圖探索聚類。
圖5：分層聚類的樹狀圖。
圖6：分層聚類的星座圖。
UMAP和t-SNE可視化
UMAP和t-SNE是scRNA-seq數據探索中使用的兩種流行的可視化方法。 如果您已將Rtsne和UMAP軟件包安裝到本地R環境中，則JMP Genomics提供了一個選項，可以通過t-SNE和UMAP可視化集群結果。 JMP Genomics還提供了一個名為Feature Switcher的工具，可幫助您以交互方式瀏覽t-SNE和UMAP可視化中的基因表達模式，而無需在硬盤上生成數十個圖形。 在圖7中，我以UMAP為例。
圖7：具有本地數據過濾器和功能切換器的UMAP可視化
更多可視化
JMP Genomics還提供了其他可視化工具，使您可以動態和交互地探索各種細胞類型（包括小提琴圖，山脊圖和點圖）中的基因表達模式。 用戶可以通過“重新編碼”按鈕基於標記基因列表的表達模式來定義細胞群體。 此外，用戶可以通過到外部數據庫的鏈接檢查有關目的基因的信息。
圖8：跨細胞類型的基因表達水平的小提琴圖，山脊圖和點圖。
特徵重要性篩選
儘管可變基因選擇步驟顯著減少了分析中的基因數量，但仍有數千個基因需要探索。 因此，JMP Genomics提供了一種使用引導森林算法的特徵篩選方法，以根據基因在細胞分離中的重要性對基因進行排名。 用戶可以選擇可視化的前30個基因，而不是2,000個。 JMP Genomics還提供了一種工具，可以幫助將該重要基因列表發送到GTEx數據庫，以探索其組織特異性表達模式。
圖9：特徵篩選報告顯示了前30個基因。
差異基因表達
差異基因表達分析是從scRNA-seq數據得出有關細胞類型間轉錄變化的統計見解的關鍵步驟。 該工作流程在JMP Genomics中集成了ANOVA平台，以使用複雜的混合效應模型執行差異基因表達分析，該模型允許進行複雜的研究設計。
入門
有關此新單細胞RNA-seq工作流程的五分鐘入門視頻將帶您入門。
更多信息
隨著scRNA-seq在生物醫學研究中的不斷普及，需要一種可重現，交互式且用戶友好的工作流程，以從迅速增長的scRNA-seq數據集中快速提取有效見解。 JMP Genomics 10中的新scRNA-seq工作流程使您能夠以更大的便利性和信心來加速重要的研究。 此外，JMP Genomics 10比以往任何時候都強大，它利用了JMP Pro中增強的預測建模平台的優勢，並提供了與R和Python中的開源軟件包更好的集成。 去JMP基因組學了解更多信息。
確保查看以下有關scRNA-seq工作流程和JMP Genomics中其他令人興奮的功能的演示：
