接觸過單細胞轉錄組數據的小伙伴們都知道，數據的核心結果在于根據每個細胞的基因表達數據，來對細胞進行分群分類�，F有通用的分析思路如下：首先根據轉錄組稀疏矩陣，通過計算和分析，找到不同的細胞Cluster，并找到每一類集群的Marker基因。根據已有對細胞特定Marker基因的認識，來對細胞可能的集群進行分類。因此，在該框架下，可以得到以下幾個圖：
 

上述結果有兩個特點：1.通過在Marker基因中尋找存在的細胞marker對細胞進行標記，但無法給出可靠性評價；2.只能用一個基因的表達模式來反應細胞特征，無法同時對幾個基因進行整合展示。因此，能不能將上述多個基因同時對細胞分群結果進行分類和量化，從基因集的角度來反應細胞的類群？

通過對最近發表分析算法的調研和調試，我們實現了這樣一個需求。我們以上述標記基因: MS4A1，CD79A，CD79B和CD19，這4個B細胞特有Marker為基礎，分別以其中一個基因表達為特征，和用4個基因的表達為特征，計算綜合Score值，并將其結果在t-SNE結果中進行可視化展示，如下圖：
 

 

 

從上述結果可以看到，單純用一個基因進行標記時，有些細胞不能進行很好區分標記，而當用4個基因同時進行計算標記時，得到的結果就非常完美。
 
有了基因集這樣一個概念，我們就能夠同時將多個基因為基礎，對細胞進行更加精細和準確分類。同樣，有了基因集的概念，我們對單細胞的功能挖掘也變得更加簡單可行。
 
GSEA相信大家都很熟悉，通過基因集的角度，可以去評價樣本間的功能差異，找到核心的功能和hallmarkers。但是，由于單細胞數據相比常規數據有數據稀疏和細胞數量多的特點，用單細胞來進行傳統的GSEA分析變的很難實現。幸運的是，有了上述的單細胞基因集分析方法，我們就可以用不同功能基因集，來實現對單細胞的細胞功能富集。我們以氧化磷酸化功能基因集數據為基礎，對上述細胞集群進行分析和可視化展示，如下圖：
 

 

結果顯示，在該數據中，左邊顏色較深區域的細胞顯著富集氧化磷酸化細胞功能。因此，只要有感興趣功能的基因集，針對特定細胞集群的生物學功能挖掘，我們就能告訴您在哪些細胞中，該功能是顯著富集的。
 
上述分析結果及圖形化展示由SBC生物信息分析專家完成，如有基于基因集的細胞分類及功能挖掘需求，請聯系上海生物芯片有限公司服務平臺。