文献阅读 | The single-cell transcriptional landscape of mammalian organogenesis | 器官形成 | 单细胞转录组...

The single-cell transcriptional landscape of mammalian organogenesis

老板已经提了无数遍的文章，确实很nb，这个工作是之前我们无法想象得，想想如何把我们的数据和他们的数据整合到一起。

文献阅读 | Molecular Architecture of the Mouse Nervous System 这篇侧重强调的是神经系统的单细胞发育过程测序。

 

Mouse Organogenesis Cell Atlas (MOCA) - 所有数据均可下载

sci-hub

 

这个数据可以挖掘的东西有很多，我的DPR可以挖出很多有意思的东西。

we profiled the transcriptomes of around 2 million cells derived from 61 embryos staged between 9.5 and 13.5 days of gestation, in a single experiment.

测了2百万个细胞，61个胚胎样本，4天的核心胚胎发育历程。

下面这张图基本就是本文的核心了，不同stage，不同subtype，不同的trajectory。

 

背景

 

之前的mouse scRNA-seq数据库

• Han, X. et al. Mapping the Mouse Cell Atlas by Microwell-seq. Cell 172, 1091–1107 (2018).
• The Tabula Muris Consortium, Quake, S. R., Wyss-Coray, T. & Darmanis, S. Transcriptomic characterization of 20 organs and tissues from mouse at single cell resolution creates a Tabula Muris. Preprint at https://www.biorxiv.org/ content/10.1101/237446v2 (2018).
• A single-cell survey of the small intestinal epithelium - Aviv Regev
• Molecular Architecture of the Mouse Nervous System - Mouse brain atlas 神经系统

 

结果解读

Single-cell RNA-seq of two million cells

问题：

1. 测了什么细胞？

这篇文章不像那篇mouse Brain Atlas，本文测了四天的胚胎发育的所有细胞，没有解剖分区，没有FACS sorting，没错，全测。

We collected 61 C57BL/6 mouse embryos at E9.5, E10.5, E11.5, E12.5 or E13.5

5个发育天，所以总体有五个阶段，但是每个阶段取了多个样本，一共61个样本。

As a control, we spiked a mixture of human HEK-293T and mouse NIH/3T3 nuclei into two wells. 对照

2. 怎么测得？上面的图解释得很直观，index建好了，最终一个nova-seq直接测完，震撼。

3. 为什么只测nuclei？bais更小，可以直接测冷冻的样品。有相关文章：Single-nucleus and single-cell transcriptomes compared in matched cortical cell types

4. 一些震惊的问题？

过滤的阈值非常低，UMI (unique molecular identifier) count ≥ 200，这岂不是有严重的偏差？

只有7%的细胞被测到，大部分都在建库的时候过滤掉了；

其实还好，平均一个胚胎测了30w个细胞，我们的一个sorting后的E13.5的ENCC都能测1w个。

一个细胞测这么少的reads，只检测到500个基因，确定这种数据可用吗？

答案是：数据有很强的特性，从中可以获取某些信息，但肯定的是，更多的信息被丢失了，所以别指望这个数据是万能的。

Identification of cell types and subtypes

这部分没啥意思，就是把所有的阶段混在一起聚类，找marker，人工定义每个cluster。

总觉得人工找的不可靠，或多或少会有偏向性和谬误，最少目前我们的认知是有限的。

Characterization of the apical ectodermal ridge

分析了一个特例，没有太多的意思。 

 

Reconstructing developmental trajectories

十个主要的发育路径

一起测序的，数据不好分离，不知道里面哪些数据对我们有用，PNS和ENS应该不是一个东西。

十个主要发育路径底下的子路径 

 

 

Reconstructing skeletal myogenesis

另一个特例。

 

优势分析：

• 通量大，200万个细胞
• 覆盖了关键的4天，E9.5-E13.5
• 适配的分析方法，大数据的处理方法
• 关键的subtype和lineage都有所揭示
• 公开了所有的数据

 

缺点：

• 浪费了太多细胞
• 分辨率太低，单个细胞检测到的基因和UMIs太低
• 某些精细的分析根本无法完成

 

转载于:https://www.cnblogs.com/leezx/p/11152809.html