单细胞测序技术及其应用综述

单细胞测序（Single Cell Sequencing,SCS）是下一代测序（Next Generation Sequencing,NGS）方法,主要用于分析细胞之间遗传和蛋白质信息的差异,获取单细胞水平的基因组序列信息,并更好地了解它们在微环境中的具体作用.介绍了SCS的原理和步骤,详细阐述了其单细胞分离方法、核酸扩增和高通量测序类型以及数据分析流程,为理解和设计合适的SCS项目方案并进行数据分析提供了参考.总结了单细胞测序在早期胚胎学、免疫学、肿瘤学、微生物学、神经生物学和干细胞研究等领域的应用并进行展望,有助于更全面地了解SCS的应用情况与发展趋势.     

基于生物信息学构建前列腺癌单细胞层面lncRNA-miRNA-mRNA调控网络

利用生物信息学筛选差异表达基因（Differentially Expressed Genes,DEGs）,构建前列腺癌（Prostate Cancer,PCa）单细胞层面lncRNA-miRNA-mRNA调控网络,在分子水平上研究前列腺癌的发生发展过程及预后指标。首先从基因表达综合数据库（GEO）和癌症基因组图谱（TCGA）数据库分别下载单细胞RNA测序数据GSE157703和转录组测序数据TCGA-PRAD,通过R语言筛选差异表达信使RNA （DEmRNA）和差异表达长非编码RNA （DElncRNA）,利用相关软件预测并构建lncRNA-miRNA-mRNA调控网络;然后使用R语言进行基因本体论（Gene Ontology,GO）和京都基因与基因百科全书（Kyoto Encyclopedia of Genes and Genomes,KEGG）分析,运用STRING数据库、Cytoscape软件建立蛋白相互作用网络,同时对单细胞RNA测序数据进行质控、降维、聚类和分群,构建单细胞层面的lncRNA-miRNA-mRNA调控网络;最后进行生存分析,通过人类蛋白质图谱进行验证。结果显示,共得到3 013个DEmRNA和1 101个DElncRNA,筛选出51个lncRNA、27个miRNA和97个mRNA构建lncRNA-miRNA-mRNA调控网络。GO分析揭示靶基因在腺状细胞迁移、化学突触传递的调节等生物学过程富集,KEGG分析揭示miRNA在癌症、轴突导向和胞间的黏附等信号通路富集。通过PPI得到Top 10基因,据此整合单细胞水平上PCa单细胞转录组测序数据,得到包括肿瘤细胞在内的9个细胞群的多条精确的lncRNA-miRNA-mRNA调控轴。生存分析结果显示,ITGA2、PDLIM5H和PRRG4低表达组的无病生存期显著高于高表达组（P<0.05）,免疫组织化学验证了上述基因在肿瘤组织中均有不同程度的表达。本研究成功构建了PCa单细胞水平的lncRNA-miRNA-mRNA调控网络,并发现其不仅参与PCa的发生和发展,同时在临床预后预测方面也有重要意义。     

我国单细胞技术发展态势分析

[目的/意义]近年来,我国单细胞技术发展迅速,取得了许多突破性创新成果.全面了解我国单细胞技术发展态势,能为国家在单细胞技术领域的发展布局和战略规划提供参考.[方法/过程]通过科学计量与基金分析相结合的方法,对我国2009-2019年间单细胞技术相关的研究论文、专利和国家自然科学基金项目数据进行分析,系统呈现我国单细胞...     

单细胞RNA测序数据插补方法综述

单细胞RNA测序（scRNA-seq）数据插补方法用于解决scRNA-seq数据观测中存在的大量“漏失”（dropout）噪音，改善下游分析，scRNA-seq数据插补方法设计是单细胞数据研究的热点方向之一.本文首先对20种主要的scRNA-seq数据插补方法进行介绍，包括基于模型的插补方法（6种）、基于平滑的插补方法（3种）、基于深度学习的插补方法（8种）和基于低秩矩阵的插补方法（3种），分析了各类方法的优势和缺点；其次，简要综述了插补方法比较研究的相关成果；然后，针对4种下游数据分析评估了以上方法（除scGNN外）的性能；最后，分析目前scRNAseq插补所面临的挑战，并指出新的研究方向.     

基于生成对抗网络的scRNA-seq批次效应校正方法

单细胞转录组测序是一种在单细胞水平上测量基因表达的技术，已经广泛应用于生命科学研究领域.由于实验条件、技术平台、样本来源等因素的差异，单细胞转录组数据的批次效应会影响数据的可靠性和准确性.因此，批次效应校正是单细胞转录组数据分析的一个重要预处理步骤.提出了一种基于生成对抗网络的单细胞转录组测序数据批次效应校正算法scBCMGAN,结合自编码器和零膨胀负二项分布等对数据进行重构，在潜在层部分通过生成对抗网络使目标批次数据向源批次数据进行学习，达到校正批次效应的目标.实验结果表明该方法在真实数据集上具有显著优势，能够有效校正批次效应，且校正后数据适用于下游分析.     

单细胞组学数据库的研究进展

随着测序技术的发展，目前单细胞测序已经成为生命科学各研究方向的前沿技术.单细胞测序技术是指在单个细胞的水平上对其携带的遗传信息进行高通量测序分析的技术.在2011年和2013年，单细胞测序技术分别被《Nature Methods》和《Science》列为年度最值得期待和关注的技术之一.随后单细胞测序数据呈现指数级增长，使得在海量的数据中寻找有用信息成为一个难题，整合单细胞测序数据的数据库有效地解决了该问题.概述了近年来有关单细胞数据库的研究进展，结合单细胞测序技术的重要性探讨单细胞数据库的功能特点及适用范围，并提出未来单细胞数据库发展的趋势.     

基于改进的大间隔最近邻胰腺单细胞分类方法

【目的】细胞类型鉴定是单细胞RNA测序的关键步骤之一，存在单细胞RNA测序数据分类准确率较低及各细胞类型距离特征度量不足的问题。【方法】提出一种基于多相似性损失函数(Multi Similarity Loss, MSL)的大间隔最近邻(Large Margin Nearest Neighbor, LMNN)单细胞分类方法。多相似性损失从多个角度衡量相似性，解决了LMNN算法的三元组损失函数训练样本较小时样本对之间关系利用率不高的问题，从而提升单细胞分类效果。【结果】在胰腺单细胞数据集baron＿human和segerstolpe上的实验表明，基于MSL-LMNN的分类准确率高于主要度量学习方法，而且与随机森林结合的准确率达到0.96,较现有单细胞分类方法有所提升。【结论】提出的MSL-LMNN能够准确有效地识别胰腺单细胞测序数据细胞类型，具有一定的应用价值。     

单细胞RNA-seq数据缺失元素补全算法

基于非负矩阵分解模型, 提出一种新的数据补全算法. 该算法通过循环遍历确定最佳构造矩阵和rank值, 解决了单细胞转录组测序(RNA-seq)数据中存在缺失值的问题,  避免了由于单细胞测序深度不足对细胞分型分析的影响. 在慢性粒细胞白血病单细胞测序数据上的实验结果表明, 由补全算法恢复缺失值后的细胞分型更清晰, 验证了该算法的有效性.     

单细胞RNA-seq数据缺失元素补全算法

基于非负矩阵分解模型, 提出一种新的数据补全算法. 该算法通过循环遍历确定最佳构造矩阵和rank值, 解决了单细胞转录组测序(RNA-seq)数据中存在缺失值的问题,  避免了由于单细胞测序深度不足对细胞分型分析的影响. 在慢性粒细胞白血病单细胞测序数据上的实验结果表明, 由补全算法恢复缺失值后的细胞分型更清晰, 验证了该算法的有效性.     

一种基于集成学习策略的单细胞转录组数据集成分类算法

针对单细胞转录组数据上细胞分类准确率较低的问题, 提出一种新的细胞集成分类算法. 该方法能充分利用不同分类模型的优点, 降低单细胞数据的分类误差. 分别在慢性粒细胞白血病单细胞测序数据和三阴性乳腺癌单细胞测序数据两个不同数据集上进行实验验证, 实验结果表明， 由集成算法划分的细胞分类更清晰准确, 验证了该算法的有效性.