scRNA-seq数据差异基因表达分析的有效方法有哪些？

我们知道RNA-seq即转录组测序，是某个物种或者特定细胞类型产生的所有转录本的集合，而单细胞RNA测序（single-cell RNA-seq，简称scRNA-seq）则是以单个细胞为特定研究对象，提取其mRNA进行逆转录并进行高通量测序分析，可体现出个体细胞内表达水平的具体变化，目前已广泛应用在生物学、医药研发、临床医学等各个领域。

除此之外，scRNA-seq分析相比RNA-seq分析还具有多模态性、大量的零计数和稀疏性。

多模态性：

单细胞基因表达是一个随机过程，因此其表达值存在高度变异性。换句话说，表达水平与细胞亚型和细胞在整个细胞周期中的状态有关。因此，细胞之间的生物学差异，如不同的细胞类型、不同的mRNA含量和不同的细胞状态，导致基因表达值的多模态和异质性。

大量的零计数和稀疏性：

scRNA-seq数据的另一个特点是大量的零计数。但是并非所有从样本单元检测到的零计数都是真正的零表示。这只是意味着在测序过程中可能无法检测到一些真正表达的基因。这是由于少量的起始RNA导致许多转录物低于检测阈值。此外，低捕获效率可能会错过大量的逆转录过程。因此，我们可以观察到“drop-out”现象，即在这些细胞处于相同的条件下，其中一些转录物在某些细胞中强烈表达，但在其他细胞中未表达。

正是由于这些特性才推动了scRNA-seq数据分析鉴别差异基因表达方法的发展，以下举几个专门针对scRNA-seq数据提出的新方法新模型的例子：

1、使用两部分联合模型来检测差异表达基因，以适应多模态表达值和“drop-out events”；一部分模型对应于正常观察到的基因，另一部分模型对应于“drop-out events”。

（参考文献：Bayesian approach to single-cell differential expression analysis.）

2、MAST：使用hurdle model来表示零计数和阳性表达值，然后使用逻辑回归和线性回归分别识别每个部分的DE基因（differentially expressed genes）。

（参考文献：MAST: a flexible statistical framework for assessing transcriptional changes and characterizing heterogeneity in single-cell RNA sequencing data.）

3、使用线性模型——广义加性模型（GAMS）来识别DE基因。

（参考文献：The dynamics and regulators of cell fate decisions are revealed by pseudotemporal ordering of single cells.）

4、scDD：考虑了四种不同模式的分布在生物和跨生物条件下的基因表达值。

（参考文献：A statistical approach for identifying differential distributions in single-cell RNA-seq experiments.）

5、非参数方法：D3E，使用两个非参数方法，Cramer-von Mises实验和Kolmogorov Smirnov实验，比较每个基因在不同条件下的表达值的分布，以确定DE基因。

（参考文献：A statistical approach for identifying differential distributions in single-cell RNA-seq experiments.）

6、SigEMD：结合数据填补方法、逻辑回归模型和非参数方法，精确有效地识别scRNA-seq数据中的DE基因，

（参考文献：SigEMD: A powerful method for differential gene expression analysis in single-cell RNA sequencing data.）

你们还知道哪些方法，或者有什么新的idea，来与小编聊聊吧。

基金标书服务（科研课题方案设计、课题申报、国家级/省/市及基金标书协助申请）

实验外包服务（动物实验、转录调控、高通量测序、细胞实验、病理学实验、分子生物学实验、蛋白质研究、基因芯片等服务）
专业人做专业事
免费热线：400-080-3779

官网：
http://www.nambou1-bio.com/
http://www.nambou1-bio.cn/

丁香通商铺：https://www.biomart.cn/61929/index.htm