[single cell Analysis] 싱글셀 분석 기본 지식 다지기 1

 

Introduction to single-cell RNA-seq

Human tissue 에는 엄청나게 다양한 cell types, states, interactions들이 있다. 해당 tissues와 celltypes을 좀 더 자세히 이해하기 위해 single cell RNAseq를 이용할 수 있고 이를 이용해 individual cells에서의 gene express를 확인 할 수있다.

• 사용예시
  • 하나의 tissue 에 존재하는 cell types 알아낼 수있다.
  • 알려지지 않거나 드문 cell types / states를 알아낼 수 있다.
  • Differentiation process 나 시간/state 의 흐름에 따른 gene expression 변화를 알 수 있다.
  • condition 에 따른 특정 cell types 에서의 differentially expressed genes 을 알 수 있다.
  • spatial, regulatory , protein 정보를 take in 해서 사용 가능하다.

 

bulk RNAseq vs scRNAseq

bulk RNAseq → comparing averages of cellular expression (not concerned about cellular heterogeneity)

scRNAseq → can compare at the cellular level (can group cells by cell type or cell state)

 

 

scRNAseq 고려해야할 점

• expensive, large volume of data
• low depth of sequencing per cell
  • 종종 cell 의 10~50% transcriptome detection 이기 때문에, cell 간의 variable 이 클 수 있다. (만약에 count 가 0 라면, not being expressed 이거나, not deteced 라는 뜻이다.)
• Biological variability across cells/samples
• Technical variability across cells/samples
  • Batch effect (관련 기사/논문들)
    1. What is the batch effect, comparison with normalization (2022 추천!!) https://blog.bioturing.com/2022/03/24/batch-effect-in-single-cell-rna-seq-frequently-asked-questions-and-answers/#:~:text=What 
    2. “A benchmark of batch-effect correction methods for scRNAseq” (2020) https://genomebiology.biomedcentral.com/articles/10.1186/s13059-019-1850-9  
    3. Seurat v4 https://satijalab.org/seurat/articles/integration_introduction.html
  • Batch effect 확인 방법
    1. PCA
    2. Simply run clustering analysis and compare the t-SNE/UMAP plot before versus after batch correction

 

Batch correction 대표 방법 (Batch effect 없애기)

• MNN - batches(clusters) 간의 가장 similar 한 cells 찾아서 mutual neighbors 로 consider 하고, 두개는 원래 같은 cell type 이지만 두개의 차이는 batch effect 에서 나온것이라고 계산.
• CCA - Seurat Canonical Correlation Analysis
• Harmony - PCA 이용해서, embed cells in a low dimensional space -> find the centroids bsd on a cluster-specific correction factor

** bath effect 없애는 가장 좋은 방법은 애초에 design 을 잘하는 것이다. or spike-ins are synthetic RNA sequences added to samples before sequencing and can be distinguished in downstream analysis 으로 확인도 가능하다.

 

 

 

scRNAseq vs snRNAseq (single-nucleus)

• scRNAseq (~11,000 genes) vs snRNAseq (~7,000genes)
• snRNAseq 데이터가 less biased celluar coverage, transcriptional artifacts 등등하다.

 

참고 https://hbctraining.github.io/scRNA-seq_online/schedule/links-to-lessons.html