单细胞测序是在灌水吗？

病理医师

如题，感觉现在单细胞技术很鸡肋，具体表现在可重复性极差，结果的可靠性很差，主要以各种可视化降维方式呈现或者扔上去个超大网络图完事。细胞类型注释全靠个人去查资料，得到的marker表里面有一两个marker能撞上某种已知的细胞类型就贴上它的标签，让人觉得盲人摸象。哪怕同一个人注释两次都往往有不同结果。cluster作为单细胞分析的基本单位，但它却往往不能代表独立的细胞类型，绝大多数情况下是多种细胞类型的mixture。缺乏公认的benchmark，分析方法开发也都是自说自话为主。最致命的问题是不好讲故事，很难界定某种差异到底来自细胞类型之间还是同一种细胞类型内。如果单细胞测序的结果能出现在未来的教科书里面，应该以什么形式展示？感觉虽然CNS不断，但都像股市泡沫，有种生物学里的虚拟经济的感觉，找不出什么干货。

原文地址：https://www.zhihu.com/question/506733859

队长是我

浙大团队仅凭10例样本单细胞数据斩获Nature Communications（IF=14.7）国际顶刊！
本分析生信相关研究思路均复现，有样本有数据的各位同学可以随时联系，我们近期的单细胞服务案例均可展示
！！！
原发性胆汁性胆管炎是一种慢性自身免疫性疾病，与免疫功能失调密切相关，但对局部免疫发病机制知之甚少。因此，浙大团队2024年10月7号于Nature Communications在线发表结果揭示了肝脏驻留 Th1 样细胞在原发性胆汁性胆管炎中的促炎作用。
研究概要：
原发性胆汁性胆管炎 （PBC） 是一种慢性自身免疫性肝病，其特征是多系免疫失调，随后引起炎症、纤维化甚至肝硬化。由于传统检测的局限性，PBC 的局部肝脏免疫发病机制尚未完全表征。在这里，作者利用单细胞 RNA 测序技术来描述免疫细胞景观并破译 PBC 患者的分子机制。作者揭示了胆管细胞和肝星状细胞参与肝脏炎症和纤维化。此外，Kupffer 细胞表现出炎症因子水平升高和清除功能相关基因降低，而 T 细胞表现出炎症因子水平升高和细胞毒性相关基因降低。有趣的是，作者在 PBC 患者和小鼠 PBC 模型的肝脏中鉴定了一个具有 JAK-STAT 激活的肝脏驻留 Th1 样群体。最后，阻断 JAK-STAT 通路可减轻肝脏炎症并消除小鼠 PBC 模型中驻留于肝脏的 Th1 样细胞。总之，作者单细胞转录组全面分析和扩展了对 PBC 病理机制的理解，并为患者 PBC 的治疗提供了潜在的靶点。
原文大家可以通过dio号查询
结论：
本研究通过高分辨率的单细胞RNA测序技术，揭示了PBC中肝脏驻留的Th1样细胞在疾病发展中的关键促炎作用，为开发针对这一细胞亚型的治疗方法提供了重要线索和靶点。此外，研究还强调了细胞间通讯在维持或促进疾病状态中的重要性，为未来的治疗策略提供了新的视角。

清风寡欲

先说结论，不是灌水。
单细胞转录组就是十年前bulk转录组的延伸和进步。生物学上，单细胞转录组把视角从个体拓展到细胞，空间转录组可以看组织的结构，这对生物实验的帮助是突破性的。数据科学上，单细胞测序把矩阵的大小提高了超过两个数量级，从百到万，甚至到十万百万，庞大的数据量让各种算法和理论都可以嵌入，让数据科学和计算机科学同生物学和医学的联系更加紧密。深度学习和机器学习等领域的一些前沿成果通过单细胞数据的媒介，可以很快的应用到生物学的研究中。可以说单细胞测序打通了学科壁垒，是生物信息学目前最重要的技术。
单细胞对生物学和医学各个领域的研究的促进作用是全体研究人员有目共睹的。世界各地的课题组都在安排单细胞测序，尽可能地扩大数据量以获取更好的统计学意义。不仅是课题组，测序公司也层出不穷，并在不断提升技术降低成本，以适应大需求量，据说华大计划今年把单样本成本降到100美元，illumina也在不断进行技术迭代。神经所斥巨资测了猴脑的全部的单细胞数据，让人类对大脑的研究走进了真正大数据时代。放眼医学顶级刊物，单细胞测序数据分析是常客，各种基于单细胞数据的算法和工具层出不穷，让研究者能进一步窥见细胞通讯、转录因子等稀有的信息。
单细胞的相关算法开发也是一大热门，让无数cs课题组对于生物学有的放矢。举个例子，就是单细胞注释问题，一年就有至少十几种算法被开发，从统计学到机器学习到深度学习和神经网络，再到大语言模型的应用，一场算法竞赛正在如火如荼的进行。当然这种算法竞赛还在很多别的方向展开，包括scATACseq和scRNAseq的联合分析、细胞轨迹预测、免疫浸润和药物预测等等。这催生了计算生物学在生物学领域的蓬勃发展。
一个用算法和大数据研究生物科学的时代正在徐徐到来，就像它们影响人类的其他领域一样。放眼近几年的高分文章，单细胞测序和其衍生的数据和算法占据了绝对的话语权。一个崭新的生物学研究时代正在到来，单细胞可能直捣黄龙，也可能只是抛砖引玉。以后兴许会有数据量更大，更精密的测序方法诞生，但单细胞绝对是这个过程中的里程碑，是生物信息时代的开门砖。也许不就的将来，技术更加成熟时，就像30年前宏大的人类基因组测序计划一样，在未来的某一天，人类单细胞测序计划也可能实施，这将标志着人类对生物学和人类本身的的认知又提高了一个纬度。

感恩由您

重复性极差这个东西是不可避免的，就个人体感来说其实还好，重复不出来的结论，那就湿实验验证，验证不出来，那就说明这个结果有问题，麻溜做别的
主要单细胞这个东西建库难度相对来说高很多，比如采样区域，细胞活性等等。因为，你不可能真的认为组织是个溶液，这直接导致其实在采样层面就导致细胞占比和细胞状态天差地别。
举个例子，脂肪肝采样，肝脏自身分区就差异很大（不是简单的pv cv mid）。除此之外，脂肪积累也不均匀，你取不好就是天差地别
至于细胞活性，早年中性粒细胞基本没人玩，一方面是因为背景知识少，另一方面还不是因为取不到么。细胞因为自身原因，有些就是很容易死在建库这步。在实际数据的提现就是细胞占比与实际组织细胞占比严重不一致。
综上所谓不一致其实很可能在建库这步就导致了。你信不信，你拿细胞系做单细胞重复性就相当好（狗头保命）。。。。
除此之外，测序也是个负二项分布。。。深度也很容易不一样。
最后再回归到所谓的灌水，正如我硕导所说，科研需要讲证据，你的每一步都不应该只有一个证据，尤其是你的主要论点。比如，我说在单细胞中发现某类细胞的A基因上调，我最起码要补充一个免疫组化染色。我说A基因失调，我最起码也得把他下游关键基因的状态做个验证。
所以，你指望单细胞一个数据就把所有故事都讲了，这本身就是耍流氓，这本身就是在灌水。
总而言之，多组学才是王道。

队长是我

正是技术不成熟才好发文章，等成熟了都水完了，成了下一个meta分析和rnaseq生信分析了。如果说灌水，我觉得百分之九十五的文章都是没有意义的灌水，有什么好嫌弃的呢？

检验医师

更新了一版
<hr/>从现象来看，有灌水，也有在水中冒尖。

• 单细胞分析工具，超过1000个[1], 具体见https://www.scrna-tools.org/。有创新，但比例不高。
  
• 理论基础部分进展不大，例如Seurat、scanpy等工具，降维PCA、差异表达等理论基础是以数值为基础，但基因、蛋白质-蛋白质、通路、生物过程、细胞、组织等存在复杂关系，更需要理论的突破[2][3]。
  
• 单细胞的论文越来越多，水平参差不齐，但也产生海量的数据，为后续提供基础。
  
• ......
  

但学术、工业届也在不断往前推进：

• 人类细胞图谱的建立[4][5]等。
  
• 泛癌的研究[6][7]
  
• ...
  

泡沫是存在的，但也有很多高水平的输出，很多工作没能一一列出。
<hr/>我们正在通过动手学系列教程、动手建系列图谱，学习和巩固领域知识。希望和大家一起成长同时，也建立一系列有用的工具和数据库。
已开展的工作：

• 《动手学深度学习》 一起动手，学习深度学习，已开展。
  
• 《动手学单细胞分析》 一起动手，学习单细胞分析，已开展。
  
• 《动手建人类细胞图谱》 一起动手，建立人类细胞图谱分析平台，已开展。
  
• 《动手学肿瘤免疫微环境分析》 一起动手，学习肿瘤免疫微环境分析，筹划中。
  
• 《动手建肿瘤免疫微环境图谱》 一起动手，建立人类肿瘤免疫微环境分析平台，筹划中。
  

如果您有意愿参与，或者有什么建议和意见，请和我们联系或者给我们留言。
我们不断在更新，请持续关注！
<hr/>1. 《动手学深度学习》

目录
第一章 介绍

• 1.1 介绍
  
• 1.2 常用数据集
  
• 1.3 第一个例子
  

第二章 基础

• 2.1 Dense层
  
• 2.2 激活函数
  
• 2.3 数据标准化(Normalization)
  
• 2.4 丢弃(Dropout)
  
• 2.5 优化器
  
• 2.6 损失函数
  
• 2.7 卷积计算
  
• 2.8 LeNet
  

第三章 进阶

• 3.1 深层神经网络AlexNet
  
• 3.2 深层神经网络ResNet
  
• 3.3 深层神经网络EfficientNet
  
• 3.4 自编码AutoEncoder
  
• 3.5 自编码VAE
  
• 3.6 自编码GAN
  
• 3.7 自编码GAN改进一
  
• 3.8 自编码GAN改进二
  
• 待续
  

第四章 提升

• 4.1 注意力机制
  
• 4.2 Transformer
  
• 4.3 BERT
  
• 4.4 注意力权重可视化
  
• 待续
  

第五章 自监督学习

• 5.1 自监督学习介绍
  
• 5.2 噪声对比估计(NCE)
  
• 5.3 SimCLR
  

第六章 自然语言处理

• 6.1 分词器
  
• 6.2 预训练之数据处理
  
• 6.3 预训练
  

第七章 计算机视觉
第八章 强化学习
第八章 应用案例
--待续
2. 《动手学单细胞分析》

目录：
第一章 介绍

• 1.1 安装环境
  
• 1.2 单细胞RNA测序技术
  
• 1.3 第一个分析例子
  

第二章 基础

• 2.2 数据标准化
  
• 2.3 特征选择
  
• 2.4 降维之PCA
  
• 2.4 降维之t-SNE
  
• 2.4 降维之UMAP
  
• 2.5 聚类之Louvain
  
• 2.5 聚类之Leiden
  
• 2.6 发现Marker基因
  

第三章 进阶

• 3.1 批次效应修正之BBKNN
  
• 3.2 批次效应修正之combat
  
• 3.3 批次效应修正之Harmony
  
• 3.4 差异表达
  
• 3.5 差异表达之可视化
  
• 3.6 富集分析
  
• 3.7 富集分析之GSEA
  

第四章 提升

• 4.1 降维之变分自编码
  
• 4.2 降维之变分自编码+归一化
  
• 4.3 降维之变分自编码+HVG
  
• 4.4 降维之自监督学习
  
• 4.5 降维之自监督+批次效应修正
  
• 4.6 降维之Transformer
  
• 4.7 降维之Transformer+HVG
  
• 4.8 降维之Transformer+Marker分析
  
• 4.9 降维之Transformer代码解读
  
• 4.10 降维之比较x还是z?
  

-- 待更新

3. 《动手建人类细胞图谱》

目录：
第一章 介绍

• 1.1 人类细胞图谱计划介绍
  
• 1.2 数据收集 - 待完善
  

-- 待更新
4. 《动手学肿瘤免疫微环境分析》

-- 待更新
5. 《动手建人类肿瘤免疫微环境图谱》

-- 待更新
谢谢您的支持！

## 联系我们 ##

如果您有什么建议和意见，或者有生信服务需求，随时可以联系我们。
公众号： AI-for-Sci
<hr/>参考文献

• Zappia L, Theis FJ. Over 1000 tools reveal trends in the single-cell RNA-seq analysis landscape. Genome Biol . 2021;22(1):301. Published 2021 Oct 29. doi:10.1186/s13059-021-02519-4
  
• Lähnemann, D., Köster, J., Szczurek, E. et al. Eleven grand challenges in single-cell data science. Genome Biol **21, **31 (2020). https://doi.org/10.1186/s13059-020-1926-6
  
• Argelaguet, R., Cuomo, A., Stegle, O., & Marioni, J. C. (2021). Computational principles and challenges in single-cell data integration. Nature biotechnology , 39 (10), 1202–1215. https://doi.org/10.1038/s41587-021-00895-7
  
• Regev A, Teichmann SA, Lander ES, et al. The Human Cell Atlas. Elife . 2017;6:e27041. Published 2017 Dec 5. doi:10.7554/eLife.27041
  
• Han, X., Zhou, Z., Fei, L., Sun, H., Wang, R., Chen, Y., Chen, H., Wang, J., Tang, H., Ge, W., Zhou, Y., Ye, F., Jiang, M., Wu, J., Xiao, Y., Jia, X., Zhang, T., Ma, X., Zhang, Q., Bai, X., … Guo, G. (2020). Construction of a human cell landscape at single-cell level. Nature , 581 (7808), 303–309. https://doi.org/10.1038/s41586-020-2157-4
  
• Zheng, L., Qin, S., Si, W., Wang, A., Xing, B., Gao, R., Ren, X., Wang, L., Wu, X., Zhang, J., Wu, N., Zhang, N., Zheng, H., Ouyang, H., Chen, K., Bu, Z., Hu, X., Ji, J., & Zhang, Z. (2021). Pan-cancer single-cell landscape of tumor-infiltrating T cells. Science (New York, N.Y.) , 374 (6574), abe6474.
  
• Cheng, S., Li, Z., Gao, R., Xing, B., Gao, Y., Yang, Y., Qin, S., Zhang, L., Ouyang, H., Du, P., Jiang, L., Zhang, B., Yang, Y., Wang, X., Ren, X., Bei, J. X., Hu, X., Bu, Z., Ji, J., & Zhang, Z. (2021). A pan-cancer single-cell transcriptional atlas of tumor infiltrating myeloid cells. Cell , 184 (3), 792–809.e23. https://doi.org/10.1016/j.cell.2021.01.010