單細(xì)胞測(cè)序的核心是根據(jù)基因表達(dá)水平預(yù)測(cè)細(xì)胞間的不同表達(dá)模式，從而揭示細(xì)胞/細(xì)胞群間的異質(zhì)性。然而基因表達(dá)的高低，反映的是每個(gè)細(xì)胞中DNA/mRNA的變化，不能完全展現(xiàn)出細(xì)胞中復(fù)雜的代謝過(guò)程。

隨著技術(shù)的發(fā)展，近幾年已經(jīng)出現(xiàn)一些針對(duì)單細(xì)胞代謝物的研究方法，包括高通量質(zhì)譜、流式質(zhì)譜等技術(shù)。但是，代謝物不能直接擴(kuò)增，且同一代謝物在不同組織、不同時(shí)間的變化較大，使得面對(duì)海量單細(xì)胞測(cè)序數(shù)據(jù)時(shí)，代謝分析始終不能與高通量共話。因此，基于單細(xì)胞測(cè)序的代謝分析和研究，也成為眾多研究人員的關(guān)注焦點(diǎn)。

?1.?scMetabolism介紹?

scMetabolism[1]是復(fù)旦大學(xué)中山醫(yī)院研發(fā)的一款基于單細(xì)胞水平量化代謝活性的軟件，該軟件基于常規(guī)單細(xì)胞矩陣文件，采用VISION算法對(duì)每個(gè)細(xì)胞進(jìn)行評(píng)分，最終得到細(xì)胞在每一條代謝通路中的活性得分。

圖1?scMetabolism 軟件

?2.?scMetabolism分析?

軟件預(yù)置了人的代謝基因集，包括85條KEGG通路和82條REACTOME條目。若物種為大、小鼠等哺乳動(dòng)物，可以通過(guò)同源轉(zhuǎn)換后進(jìn)行分析，其他物種也可選擇合適的基因集進(jìn)行代謝活性分析。

分析使用到的文件包括單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)和對(duì)應(yīng)的代謝基因集，可以使用單細(xì)胞轉(zhuǎn)錄組的RDS文件和軟件自帶的代謝基因集。

2.1?代謝活性分析

首先，使用Vision[2]算法進(jìn)行代謝打分計(jì)算得分。結(jié)果為打分均值統(tǒng)計(jì)表，average_KEGG_score表格的第一列為匹配到代謝基因集的代謝條目名稱，每一列為不同分組的得分均值。

表1?不同分組KEGG代謝通路得分均值

根據(jù)得分繪制的average_KEGG_heatmap熱圖中，我們也可以初步了解不同分組中，哪些通路的代謝得分較高，以及關(guān)注條目的整體得分情況。

圖2?不同分組得分均值熱圖示例

2.2?差異條目篩選

得到每個(gè)細(xì)胞的代謝得分后，我們使用bimod[3]檢驗(yàn)方式進(jìn)行差異分析，得到具有顯著差異的通路，從而評(píng)估不同通路在不同組間的代謝活性高低，結(jié)果中top 10_KEGG_Significant_results.xls為顯著差異的通路信息。

表2?top 10_KEGG_Significant_results.xls 表頭說(shuō)明

篩選得到的顯著代謝通路，也可以進(jìn)一步繪制熱圖和小提琴圖，示例如下：

圖2?不同分組得分均值熱圖和小提琴圖示例

當(dāng)然，軟件也可以根據(jù)數(shù)據(jù)繪制氣泡圖、umap圖等單細(xì)胞常見(jiàn)圖片，更直觀的從多個(gè)角度展示不同細(xì)胞群的代謝活性強(qiáng)弱。

基因組、轉(zhuǎn)錄組的多組學(xué)分析，已經(jīng)被廣泛應(yīng)用于基礎(chǔ)醫(yī)學(xué)和系統(tǒng)生物學(xué)等研究。雖然單細(xì)胞水平代謝組學(xué)研究剛起步，我們相信，隨著實(shí)驗(yàn)技術(shù)和分析方法的不斷更新，單細(xì)胞代謝研究在全面醫(yī)學(xué)診斷，尤其是腫瘤分析上，一定有更多突破性的進(jìn)展。

? ??

如有相關(guān)需求的老師，關(guān)注“歐易生物”公眾號(hào)，輸入“客服”獲取客服微信二維碼吧~

?參考文獻(xiàn)?

1.?Wu Y, Yang S, Ma J, Chen Z, Song G, Rao D, Cheng Y, Huang S, Liu Y, Jiang S, Liu J, Huang X, Wang X, Qiu S, Xu J, Xi R, Bai F, Zhou J, Fan J, Zhang X, Gao Q. Spatiotemporal Immune Landscape of Colorectal Cancer Liver Metastasis at Single-Cell Level. Cancer Discov. 2021 Aug 20.

2.?Detomaso D , Jones M G , Subramaniam M , et al. Functional interpretation of single cell similarity maps[J]. Nature Communications, 2019, 10.

3.?Andrew M D , Greg F , Chattopadyay P K , et al. Data exploration, quality control and testing in single-cell qPCR-based gene expression experiments[J]. Bioinformatics, 2013, 29(4):461-467.

歐易生物秉持著“以生物科技，成就他人，造福大眾”的理念。為眾多方向的研究學(xué)者提供持久可靠的科研助力。想要了解更多產(chǎn)品信息可撥打400-808-5350?或咨詢駐地工程師，歡迎老師前來(lái)公司參觀哦~

END

單細(xì)胞事業(yè)部? 撰文

本文系歐易生物原創(chuàng)

轉(zhuǎn)載請(qǐng)注明文本轉(zhuǎn)自歐易生物