单细胞转录组分析研究进展

目前常规的转录组分析方法无法揭示单个细胞之间基因表达的异质性,也难以对极少量细胞进行分析,单细胞转录组分析技术为此提供了有效的研究工具。对单细胞转录组分析技术的历史、发展、策略、方法和应用进行综述。     

单细胞转录组技术及其在人类细胞图谱构建中的应用

单细胞转录组技术在单细胞水平上进行转录组测序,提供了单个细胞的基因表达差异信息,使在单细胞尺度下研究个体细胞、相关环境细胞及其相互作用的机理成为可能.近年来,单细胞转录组技术在c DNA扩增原理上经历了从末端加尾、体外逆转录到模板置换的方法发展,大大提高了基因检测的数量、基因表达的准确性等.同时,在单细胞选取方式上进行了从96/384孔板到油包水液滴以及纳米微孔的创新,在提高通量和重复性的同时降低了整体实验成本.单细胞转录组技术广泛应用于细胞群体分类和异质性研究,推动了从发育生物学到正常、病态组织细胞图谱的构建.本文对单细胞转录组技术近年的技术进展以及在人类细胞图谱构建中的应用进行了综述.     

单细胞测序技术及应用进展

同一组织中的细胞往往被认为是具有相同状态的功能单位,传统的检测手段分析的是细胞群体的总体平均反应。然而通过对单个细胞的DNA或RNA进行测序,表明组织系统层面的功能是由异质性细胞构成的。单细胞测序以单个细胞为单位,通过全基因组或转录组扩增,进行高通量测序,能够揭示单个细胞的基因结构和基因表达状态,反映细胞间的异质性,在肿瘤、发育生物学、微生物学、神经科学等领域发挥重要作用,正成为生命科学研究的焦点。单细胞测序的难点是单个细胞的分离、单细胞基因组和转录组的扩增。本文主要介绍和分析了单细胞测序技术中常用的单细胞分离技术、单细胞基因组扩增技术和转录组扩增技术及其优缺点,并对当前已经取得成果的应用领域进行了阐述,为单细胞测序技术的研究与应用提供参考。     

单细胞转录组测序数据分析算法在干细胞研究中的应用

细胞的转录组决定其生理状态,每个细胞的转录组都是唯一的。借助单细胞转录组测序可分析单个干细胞的转录组特征,通过进一步的运算方法可以根据转录组特征对细胞进行细胞状态测定以及系谱分化特征的重建,在干细胞及组织发育研究中发挥了强大的作用,推动了其快速发展,加速了对干细胞分化及组织发育的相关过程及调控路径的认识。尤其是在干细胞领域的应用,得益于新算法的发展,单细胞转录组测序分析可用来阐述干细胞的起源、异质性,尤其是对干细胞的分化过程进行连续观察。本文主要对应用于干细胞分化相关研究的单细胞转录组测序数据新的算法及其应用进行了综述。     

单细胞转录组测序技术发展及应用

生物组织由多种异质性细胞组成,单个细胞之间的差异可能会对多细胞生物的功能产生深远影响。近年来开发的单细胞RNA-seq技术可以对单个细胞进行无偏、可重复、高分辨率和高通量的转录分析。相对于传统的群体细胞的转录组分析,单细胞RNA-seq技术从另外一个维度了解转录组信息,揭示生物组织的细胞构成、转录组动力学以及基因间的调节关系。随着细胞捕获、分子生物学和生物信息学等关键技术的发展和完善,其在生物学和医学领域的应用将会越来越广泛。该文对单细胞RNA-seq技术的发展历史和应用进行了阐述。     

转录组与RNA-Seq技术

转录组是特定细胞或组织在特定时间或状态下转录出来的所有RNA的集合.通过对转录组的研究可以揭示生物体的基因表达、研究结构变异及发现新基因等.转录组分析的研究方法、研究平台发生着日新月异的变化,同时生物信息学分析的内容也在逐渐完善.RNA-Seq作为一种新的转录组研究手段,利用新一代测序技术能够更为快速、准确地为人们提供更多的生物体转录信息.主要比较近年来转录组研究的几种方法和几种RNA-Seq的研究平台,并着重介绍RNA-Seq的原理、用途、步骤和生物信息学分析等及在相关领域的应用等内容,为相关的研究和应用提供参考.     

植物单细胞转录组测序研究进展

单细胞转录组测序是一种在单细胞水平上研究基因表达的技术.多孔板法和液滴法是目前应用于植物研究的两类主要的单细胞转录组技术.首先概述了植物单细胞转录组测序的技术原理和数据分析流程,然后介绍了植物单细胞转录组的研究进展,重点阐述了单细胞转录组测序技术在鉴定植物细胞类型、揭示细胞演化轨迹和构建细胞间调控网络中的应用.单细胞转...     

单细胞转录组测序技术及在哺乳动物上的应用

哺乳动物的器官是由多种细胞类型组成,它们通过细胞间的相互作用来发出信号,以维持体内平衡和确保机体发育。传统转录组测序是以大量细胞或组织为研究样本,反映的是细胞总体上转录组特征,不能分析单个细胞的基因表达情况,而单细胞RNA测序(single-cell RNA sequencing,scRNA-seq)技术的发展为揭示单个细胞转录组特征提供了有效方法。本文通过对scRNA-seq平台、scRNA-seq主要技术类型及scRNA-seq在哺乳动物上的应用展开综述。     

单细胞转录组测序技术新进展及其在造血系统研究中的应用

单细胞测序技术凭借其能全面反映细胞群体异质性这一优势,近年来发展迅速.其中,单细胞转录组测序技术提供了在分子水平上对细胞作分类或表征的替代方法,在发育生物学、神经科学、血液学、免疫及癌症等研究领域均展示出了广泛的应用前景.本文总结了近年来单细胞转录组测序技术的主要发展趋势,并列举了该技术在造血系统中的应用.     

单细胞转录组测序技术在细胞分类中的应用

多细胞有机体的细胞类型多且复杂,细胞间普遍存在异质性。目前,单细胞转录组测序(single-cell RNA sequencing,scRNA-seq)技术是一项新兴的研究单个细胞转录水平的技术,其从数千个平行的细胞中生成转录谱,揭示个体细胞基因组的差异性表达,反映细胞间的异质性,从而鉴定出不同细胞类型,形成组织或器官的细胞图谱,在生物和临床医学等领域发挥重要作用。该文在对scRNA-seq测序平台进行阐述和比较的基础上,着重介绍其在神经系统和免疫系统细胞类型探索中的应用,并且总结scRNA-seq与空间转录组技术相结合的研究成果。     

单细胞转录组测序在药物成瘾研究中的应用

药物成瘾是复杂的中枢神经系统疾病，相关基础与临床研究均证实药物成瘾的神经机制及神经环路在成瘾行为形成的不同阶段逐渐发生改变。利用全基因组关联研究、全基因组测序、全外显子测序或高通量转录组测序等技术的组学研究对包括药物成瘾在内的精神疾病遗传的脆弱性进行了深入研究。上述单核苷酸多态性检测技术或测序技术主要预测疾病的遗传风险位点。然而，许多中枢神经系统疾病的发生与环境因素密切相关，而且在疾病发展的不同阶段，相关基因的表达存在脑区特异性的细胞异质性信息。因此，传统研究对发病机制的解释存在一定的局限性。单细胞转录组测序技术是针对单个细胞进行转录水平的测定，规避了传统测序对细胞群体平均转录水平检测的缺点，可以定量描述细胞异质性。近年来，单细胞转录测序技术在神经精神科学研究中的应用逐渐受到关注，本文总结了该技术在神经科学研究中的重要应用，并以药物成瘾为例，重点阐述说明其在中枢神经系统疾病中的应用价值。     

SDImpute: A statistical block imputation method based on cell-level and gene-level information for dropouts in single-cell RNA-seq data

The single-cell RNA sequencing (scRNA-seq) technologies obtain gene expression at single-cell resolution and provide a tool for exploring cell heterogeneity and cell types. As the low amount of extracted mRNA copies per cell, scRNA-seq data exhibit a large number of dropouts, which hinders the downstream analysis of the scRNA-seq data. We propose a statistical method, SDImpute (Single-cell RNA-seq Dropout Imputation), to implement block imputation for dropout events in scRNA-seq data. SDImpute automatically identifies the dropout events based on the gene expression levels and the variations of gene expression across similar cells and similar genes, and it implements block imputation for dropouts by utilizing gene expression unaffected by dropouts from similar cells. In the experiments, the results of the simulated datasets and real datasets suggest that SDImpute is an effective tool to recover the data and preserve the heterogeneity of gene expression across cells. Compared with the state-of-the-art imputation methods, SDImpute improves the accuracy of the downstream analysis including clustering, visualization, and differential expression analysis.     

INSISTC: Incorporating network structure information for single-cell type classification

Uncovering gene regulatory mechanisms in individual cells can provide insight into cell heterogeneity and function. Recent accumulated Single-Cell RNA-Seq data have made it possible to analyze gene regulation at single-cell resolution. Understanding cell-type-specific gene regulation can assist in more accurate cell type and state identification. Computational approaches utilizing such relationships are under development. Methods pioneering in integrating gene regulatory mechanism discovery with cell-type classification encounter challenges such as determine gene regulatory relationships and incorporate gene regulatory network structure. To fill this gap, we developed INSISTC, a computational method to incorporate gene regulatory network structure information for single-cell type classification. INSISTC is capable of identifying cell-type-specific gene regulatory mechanisms while performing single-cell type classification. INSISTC demonstrated its accuracy in cell type classification and its potential for providing insight into molecular mechanisms specific to individual cells. In comparison with the alternative methods, INSISTC demonstrated its complementary performance for gene regulation interpretation.     

scLink: Inferring Sparse Gene Co-expression Networks from Single-cell Expression Data

A system-level understanding of the regulation and coordination mechanisms of gene expression is essential for studying the complexity of biological processes in health and disease. With the rapid development of single-cell RNA sequencing technologies, it is now possible to investigate gene interactions in a cell type-specific manner. Here we propose the scLink method, which uses statistical network modeling to understand the co-expression relationships among genes and construct sparse gene co-expression networks from single-cell gene expression data. We use both simulation and real data studies to demonstrate the advantages of scLink and its ability to improve single-cell gene network analysis. The scLink R package is available at https://github.com/Vivianstats/scLink.