单细胞轨迹分析之应用篇

作者，Evil Genius

最近见到了很多研究者，真的是不把单细胞轨迹分析当回事，拿到样本不定义直接跑monocle，这能对么？我看了都着急，基本理论要多多学习啊~~~，网上那么多教程，有甄别的看，不要盲目跑代码。

单细胞个性化分析之轨迹分析篇

理论知识不是本篇重点，简单介绍一下

轨迹分析主要基于以下3个步骤：
（1）基因筛选：寻找以“拟时”(即不只是嘈杂)方式变化的基因，并利用这些基因来构造数据。
（2）降低维度：一旦选择了用于细胞排序的基因，就会对数据进行降维处理。
（3）pseudotime对细胞排序：通过将表达数据投影到较低维空间，构建细胞间的分化轨迹。

基因筛选

构建的轨迹分析首先是要选择用于构建轨迹的基因，当然，选择轨迹分析时用到的基因有很多方法。
（1）离散度高的基因（monocle自带的方法，默认前1000）:缺点是a、基因是否与发育相关不清楚；b、不同细胞类型的发育选取的基因数量不可能一致；c、基因断层（即基因并不是连续变化）；d、软件并不能依据轨迹基因来判断细胞是否具有多种分化路径。
（2）Seurat[2]本身挑选高变基因的三种方法（vst、mean.var.plot、dispersion）:因为Seurat降维聚类的关系，Seurat选择的高变基因也可以用于做轨迹分析，但缺点也很明显a、基因是否与发育相关不清楚；b、不同细胞类型的发育选取的基因数量不可能一致；c、基因断层；d、Seurat本身挑选的高变基因基于样本整体，没有分化关系的也纳入了分析。
（3）如果背景很强，最好的解决方式是根据生物学背景选取发育的相关基因（例如采取多样本、多时间点的策略推断发育基因，a、对比不同时间相同细胞类型的基因变化关系。b、挑选表征分化关系的基因进行轨迹分析），缺点很明显，难度特别大。
（4）寻找细胞类型之间具有连续变化的基因，理论上这是最优的选择。

降低维度

降维方法除了在基础分析篇提到的线性降维PCA与非线性降维TSNE、UMAP之外，针对轨迹分析会有独特的降维方法。来了解一下轨迹分析软件用到的主流降维方式。

最后定义轨迹

2022年9月发表于nature的文章MYB orchestrates T cell exhaustion and response to checkpoint inhibition为了研究多潜能的 TPEX cells, 专门进行流式分选该细胞类型，在细胞注释的基础之上，分析细胞的分化潜能，分析软件Slingshot，人为指定轨迹的起点。

2022年8月发表于Nature Communications的文章