scRNA-seq的出现为探索单细胞水平的基因表达谱提供了前所未有的机会。 目前，scRNA-seq已成为研究细胞异质性的关键生物学问题（尤其是在肿瘤学和免疫学研究中）的首选。 然而，由于它的高维，稀疏性，跨细胞群体的异质性，技术噪音以及缺乏可重复性，它在数据可视化和统计分析中也提出了新的挑战。
基于下一代测序的基因组学，转录组学和表观基因组学技术现在越来越关注于单个细胞的表征。 例如，单细胞RNA测序（scRNA-seq）可以在细胞水平上全面表征转录变化，并有助于更好地了解单个细胞在其微环境中的功能。 最近，它已经被用来战斗COVID-19通过表征单个免疫细胞的转录变化。
JMP Genomics 10中新添加的scRNA-seq工作流程可帮助您通过聚类分析可视地和交互式地探索复杂和稀有细胞群体，然后检测跨细胞类型和其他条件的差异基因表达模式。
为什么选择JMP基因组学？
在JMP基因组学10 ，我们为科学家创建了标准化，交互式且可重现的scRNA-seq工作流程，以使科学家们充满信心地有效探索其scRNA-seq数据。 此工作流程的关键功能包括数据质量控制（QC），可变基因选择，稀疏SVD分析，聚类，功能重要性筛选，动态可视化（例如小提琴图，山脊线图和点图），以及差异基因表达分析。 此外，当安装了适当的R包时，它利用JMP中的R集成功能对细胞群进行t-SNE或UMAP可视化。
主要特征
本文通过分析以下内容向您展示了此新工作流程中的关键功能： PBMC数据集举个例子。 首先，您将需要使用位于导入>下一代测序JMP Genomics中的“菜单”以稀疏格式读取原始UMI计数数据，然后将其转换为密集格式。 然后，可以将进口商的输出数据用作基本单细胞RNA-seq工作流程的输入，该工作流程位于工作流程>基本子菜单。 在界面中指定设置后，单击跑生成在JMP项目中组织的选项卡式报告。
图1：基本ScRNA-Seq工作流程的界面。
数据概述和质量控制
该工作流程执行QC步骤以删除低质量的细胞和基因。 数据概述报告将帮助您确定要使用的质量控制标准。 （您可以在以下位置的这篇文章中探索该可视化以及其他内容： JMP公开）
图2：包含此数据集主要统计数据的数据概览报告。
可变基因选择
处理scRNA-seq数据中的高维度和稀疏性的一种方法是仅关注表现出高细胞间差异的基因。 为此，工作流提供了两种可变基因选择方法，即Dispersion和VST，以帮助您选择一组高度可变的基因用于后续分析。 “可变基因选择”选项卡显示方差均值图，其中选定的可变基因为红色。
图3：VST方法的方差均值图。 红点代表选择的可变基因；其余基因被丢弃。
稀疏SVD分析
然后，工作流将执行稀疏SVD分析，以进一步减少数据集的维度和稀疏性，以实现聚类和可视化目的。 “聚类”选项卡同时提供2D和3D SVD图以及最重要的组件，以帮助您探索数据中的全局结构。
图4：3D SVD图显示了前三个组件。
聚类
scRNA-seq数据分析中的一项重要任务是通过聚类算法识别细胞群体。 该工作流程提供了两种聚类算法：分层算法和K均值。 在此示例中，我们使用了层次聚类，它在PBMC数据集中标识了九个聚类。 您还可以通过树状图或星座图探索聚类。
图5：分层聚类的树状图。
图6：分层聚类的星座图。
UMAP和t-SNE可视化
UMAP和t-SNE是scRNA-seq数据探索中使用的两种流行的可视化方法。 如果您已将Rtsne和UMAP软件包安装到本地R环境中，则JMP Genomics提供了一个选项，可以通过t-SNE和UMAP可视化集群结果。 JMP Genomics还提供了一个名为Feature Switcher的工具，可帮助您以交互方式浏览t-SNE和UMAP可视化中的基因表达模式，而无需在硬盘上生成数十个图形。 在图7中，我以UMAP为例。
图7：具有本地数据过滤器和功能切换器的UMAP可视化
更多可视化
JMP Genomics还提供了其他可视化工具，使您可以动态和交互地探索各种细胞类型（包括小提琴图，山脊图和点图）中的基因表达模式。 用户可以通过“重新编码”按钮基于标记基因列表的表达模式来定义细胞群体。 此外，用户可以通过到外部数据库的链接检查有关目的基因的信息。
图8：跨细胞类型的基因表达水平的小提琴图，山脊图和点图。
特征重要性筛选
尽管可变基因选择步骤显着减少了分析中的基因数量，但仍有数千个基因需要探索。 因此，JMP Genomics提供了一种使用引导森林算法的特征筛选方法，以根据基因在细胞分离中的重要性对基因进行排名。 用户可以选择可视化的前30个基因，而不是2,000个。 JMP Genomics还提供了一种工具，可以帮助将该重要基因列表发送到GTEx数据库，以探索其组织特异性表达模式。
图9：特征筛选报告显示了前30个基因。
差异基因表达
差异基因表达分析是从scRNA-seq数据得出有关细胞类型间转录变化的统计见解的关键步骤。 该工作流程在JMP Genomics中集成了ANOVA平台，以使用复杂的混合效应模型执行差异基因表达分析，该模型允许进行复杂的研究设计。
入门
有关此新单细胞RNA-seq工作流程的五分钟入门视频将带您入门。
更多信息
随着scRNA-seq在生物医学研究中的不断普及，需要一种可重现，交互式且用户友好的工作流程，以从迅速增长的scRNA-seq数据集中快速提取有效见解。 JMP Genomics 10中的新scRNA-seq工作流程使您能够以更大的便利性和信心来加速重要的研究。 此外，JMP Genomics 10比以往任何时候都强大，它利用了JMP Pro中增强的预测建模平台的优势，并提供了与R和Python中的开源软件包更好的集成。 去JMP基因组学了解更多信息。
确保查看以下有关scRNA-seq工作流程和JMP Genomics中其他令人兴奋的功能的演示：
