单细胞实战100次合集完结撒花
之前有整理过 单细胞实战100次合集总结与展望 ，对于这个合集进行了大概的总结与展望
不知不觉这个合集就真的写到100篇啦！坚持整理文献真的收获颇丰！
最开始简单的阅读整理文献内容及结果，往往就要花上一天的时间。
后来慢慢掌握了一些阅读文献的方法，整理起来也更得心应手，开始直播分享文献中数据的分析内容。
到今年年初，基本上对于比较感兴趣的文献会进行精读，一篇文章往往会整理成好几篇推文分享
不知不觉这个合集就写到了一百篇啦，坚持阅读文献整理分享的感觉真的很神奇。阅读文献对于科研和分析都很重要，所以接下来还是会继续阅读文献整理分享笔记。
不过新合集起个什么名字好呢？
单细胞文献速递
？大家有什么好想法，欢迎评论区留言呀！
既然是单细胞实战合集收尾，以及可能是下一个合集的开篇，那咱们就一起来读一篇单细胞的综述叭！看了这么久单细胞实战的内容，还没好好整理过几篇综述呢！
文章简介
文章标题： 《Single-cell sequencing techniques from individual to multiomics analyses》
发表日期和杂志： 2020年发表在Experimental And Molecular Medicine上
在线阅读链接： https://doi.org/10.1038/s12276-020-00499-2
文章总结了单细胞测序技术在单细胞和多组学分析中的应用：
-
单细胞测序技术 ：涵盖基因组学、表观基因组学和转录组学方法，用于分析单个细胞的分子特征。
-
多组学数据整合 ：通过计算方法整合不同层面的数据，如转录组和染色质可及性数据，以获得更全面的细胞状态理解。
-
多组学实验方法 ：开发同时测量多个组学层面的技术，以揭示细胞的多层面分子特征。
-
应用实例 ：在疾病研究和发育生物学中，单细胞测序技术有助于深入了解细胞异质性和分子机制。
-
技术优势 ：提供高分辨率的单细胞分析，避免了群体测序中细胞异质性被掩盖的问题。
-
挑战与未来方向 ：需要改进数据整合与分析方法，提高技术准确性和通量，降低成本，并开发新的多组学实验方法。
-
人类细胞图谱（Human Cell Atlas, HCA） ：在国际化的努力下，人类细胞图谱项目正在生成所有人类细胞的全面分子图谱。HCA利用单细胞测序技术从健康和疾病的细胞中获取单细胞基因组信息。
单细胞转录组测序（scRNA-seq）核心内容概述
-
传统RNA-seq的局限性 ：传统的RNA-seq分析（称为“bulk”）测量的是细胞混合物中的转录本，只能得到细胞群体的平均转录表达水平。这种方法无法揭示细胞群体内的异质性。 -
scRNA-seq的优势 ：单细胞RNA测序（scRNA-seq）技术能够精确理解异质性细胞群体的转录组状态，适用于分析肿瘤组织等包含多种细胞类型（如肿瘤细胞、免疫细胞、成纤维细胞和内皮细胞）的样本。
关键技术与方法
-
单细胞转录组扩增技术 ：
-
Smart-seq ：一种全转录组扩增（WTA）方法，通过oligo-dT引物和模板转换实现全长cDNA扩增。 -
Smart-seq2 ：改进版，提供更稳定和准确的mRNA测量。 -
Quartz-Seq ：通过poly(A)标记实现高灵敏度的转录组扩增。 -
CEL-seq ：基于体外转录的WTA方法。 -
RamDa-seq ：能够检测单细胞中的非poly(A)转录本，包括长非编码RNA和增强子RNA。 -
微滴技术和微孔技术 ：
-
Drop-Seq ：基于微滴技术，将单个细胞/核、反应液和条形码珠子封装在油滴中，通过分子/细胞条形码进行逆转录（RT）。 -
DroNc-seq ：类似Drop-Seq，但专门用于单核RNA-seq。 -
Microwell-seq ：基于微孔技术，将单个细胞和条形码珠子隔离在微孔中。 -
Nx1-seq 和 Seq-Well ：便携式、低成本的微孔平台，适用于高通量单细胞分析。 -
高通量和低成本方法 ：
-
sci-RNA-seq ：组合索引方法，最新版本为sci-RNA-seq3，适用于大规模单细胞分析。 -
自动平台 ：如C1 Single-Cell Auto Prep系统（Fluidigm），可自动完成细胞分离、细胞裂解、RT和PCR扩增。 -
测序平台 ：
-
基于微滴技术： Chromium （10× Genomics）、 ddSEQ （Bio-Rad/Illumina）、 Nadia （Dolomite）、 inDrop （1CellBio）。 -
基于微孔技术： Rhapsody （BD）、 ICELL8 （Takara）。
用户应根据样本类型和研究目的选择合适的scRNA-seq方法。例如，C1/Smart-seq平台适用于需要深入转录组信息的研究，而Chromium平台适用于高通量分析。
平台更新与注意事项
-
平台更新 ：例如，10× Genomics为Chromium系统更新了试剂盒（从v2到v3），显著提高了检测灵敏度，并修改了Next GEM技术的芯片架构。 -
数据比较与合并 ：在比较或合并不同版本的机器或试剂盒的数据时，需要注意检测限和基因表达水平的动态范围的差异。
单细胞RNA测序（scRNA-seq）在肿瘤基因组学中的应用
scRNA-seq技术被广泛应用于免疫学、发育生物学和肿瘤学等多个领域。在肿瘤基因组学中，研究人员利用scRNA-seq分析肿瘤细胞及其周围的基质细胞，以揭示肿瘤微环境中的复杂性和异质性。
-
脑肿瘤研究 ：多个研究小组报告了对脑肿瘤的scRNA-seq分析，揭示了肿瘤内部的转录组异质性和多样的进化路径。 -
黑色素瘤研究 ：Tirosh等人的研究是首次对肿瘤“生态系统”进行的大规模scRNA-seq研究。他们对19名黑色素瘤患者的CD45+和CD45−细胞进行了scRNA-seq分析，特别揭示了每位患者中不同类型的T细胞耗竭程序。 -
乳腺癌研究 ：Chung等人关注了11个乳腺癌样本中的肿瘤细胞和免疫细胞，包括T细胞、B细胞和巨噬细胞。 -
其他癌症类型 ：除了上述癌症类型，研究人员还对多种癌症中的肿瘤浸润性淋巴细胞进行了scRNA-seq分析，如肝细胞癌、非小细胞肺癌和结肠癌。
文章研究小组利用scRNA-seq技术研究肺癌细胞系对受体酪氨酸激酶抑制剂的反应，以阐明肿瘤的进化过程和获得性耐药机制。观察了对药物敏感和不敏感细胞的不同转录组反应，并确定了可能与早期耐药反应相关的不同转录模块，例如休眠
scRNAseq数据的计算分析相关算法和工具
不能简单地使用用于批量 RNA-seq 分析的生物信息学方法，因为单细胞测序会产生稀疏的多维数据
Seurat：一个综合性的R包
-
数据过滤 ：去除低质量或不符合标准的细胞和基因。 -
归一化 ：调整不同细胞的测序深度，使数据可比。 -
缩放 ：对数据进行标准化处理，以便后续分析。 -
降维 ：通过主成分分析（PCA）等方法减少数据维度，便于可视化和聚类。 -
聚类 ：将具有相似转录组特征的细胞分组。 -
可视化 ：生成如t-SNE、UMAP等可视化图表，直观展示细胞群体的分布和差异。
其他单细胞数据分析工具
数据填补工具 ：
-
MAGIC ：通过扩散映射技术填补缺失数据，增强数据的完整性和可靠性。 -
SAVER ：基于贝叶斯方法填补缺失值，提高数据的准确性。 -
scImpute ：一种基于概率模型的填补方法，能够有效处理单细胞数据中的零值问题。
批次效应校正工具 ：
-
Seurat CCA ：通过典型相关分析（CCA）校正不同批次数据之间的差异，确保数据的一致性。 -
ZINB-WaVE ：基于零膨胀负二项分布模型校正批次效应，适用于高维稀疏数据。
伪时间轨迹分析工具 ：
-
Monocle3 ：通过构建细胞状态的伪时间序列，分析细胞分化和发育过程中的动态变化。 -
cellTree ：基于细胞间相似性构建细胞树，揭示细胞群体的进化关系。
RNA速度分析工具 ：
-
velocyto ：通过分析未剪接和已剪接mRNA的比例，推断细胞的转录动态变化，预测细胞的未来状态。
细胞间相互作用分析工具 ：
-
NicheNet ：通过分析配体-受体相互作用，揭示细胞间通信网络，有助于理解细胞微环境中的相互作用机制。
随着单细胞测序技术的发展，产生了大量的数据分析工具。每种工具都有其独特的功能和优势，适用于不同的研究场景和数据类型，应根据具体的研究目的选择合适的工具。