2022-03-04
SCENIC是一種重建基因調控網絡（GRN）并從scRNA-seq數據中鑒定stable cell states的工具。基于共表達和DNA模基序 （motif）分析推斷基因調控網絡 ，然后在每個細胞中分析轉錄因子基因集活性進而鑒定細胞狀態[1]。SCENIC分析由于其能夠關注轉錄因子與靶基因互作等額外信息，在很多單細胞文章中都得到了應用[2-3]。
主要的(de)原(yuan)理(li)如下(xia)：首先使(shi)用GENIE3、GRNBoost推測共表達調控網絡，Co-expression network; 然后RcisTarget通(tong)過(guo)識別(bie)regulator的(de)binding motif，在基(ji)因網絡中識別(bie)直接靶向(xiang)的(de)Regulons。基(ji)于(yu)TF + targets基(ji)因集，通(tong)過(guo)AUCell對每個(ge)細胞的(de)每個(ge)Regulons進(jin)行(xing)評分，然后產生(sheng)預(yu)測細胞活性(xing)的(de)二進(jin)制（on和off）矩陣（圖1）。
圖1 SCENIC分析(xi)流程(cheng) 接下來(lai)以PBMC數據為例，介紹SCENIC分析(xi)(xi)，首(shou)先我們(men)需(xu)要載入和(he)安裝一些對(dui)應的R包，然后(hou)讀入上游Seurat分析(xi)(xi)中的pbmc對(dui)象，準備好SCENIC分析(xi)(xi)需(xu)要的表達矩陣和(he)meta信息。 構建scenicOptions對象，接下來的SCENIC分析都是基于這個對象的信息生成的。在cistarget [4]中下載轉錄因子注釋的數據庫；接下來安裝流程進行SCENIC分析，R版本的SCENIC將主要流程封裝為了4個函數，很容易得到結果。 SCENIC會生成(cheng)int和(he)output兩(liang)個文(wen)件(jian)(jian)夾(jia)，int存放中(zhong)間(jian)結果，如(ru)基(ji)因相關系數(shu)矩陣、GENIE3調控網絡文(wen)件(jian)(jian)、regulon和(he)靶(ba)基(ji)因的信息以(yi)及AUC活性矩陣等(deng)；這(zhe)些(xie)文(wen)件(jian)(jian)可以(yi)進行進一步可視(shi)化，例如(ru)可以(yi)導出regulon和(he)靶(ba)基(ji)因在Cytoscape等(deng)中(zhong)繪制網絡圖。 圖2 SCENIC分析結果 Output文件(jian)夾存放主要的輸出結(jie)果(guo)，如(ru)轉錄因(yin)子(zi)調(diao)控(kong)活性熱(re)圖和對(dui)(dui)應的二進制(zhi)的熱(re)圖，便于(yu)研究(jiu)這(zhe)(zhe)些Regulons在(zai)不同(tong)細(xi)胞(bao)分(fen)群中的調(diao)控(kong)模式。我們可以對(dui)(dui)這(zhe)(zhe)個熱(re)圖進行進一(yi)步的美化(hua)，例如(ru)增加meta分(fen)組或者更改不同(tong)meta信息(xi)的分(fen)組顏色（如(ru)下代碼所示）。 圖3 二進制Regulons熱圖（corr表示對AUC矩陣指控過濾后的Regulons） 接下來(lai)(lai)我們講講每(mei)個(ge)Regulons的(de)(de)(de)(de)活(huo)性(xing)分析，UCell使用(yong)曲(qu)線下面(mian)積（AUC）來(lai)(lai)計算(suan)基因集(ji)是(shi)(shi)否富(fu)集(ji)于每(mei)個(ge)細(xi)胞(bao)(bao)中的(de)(de)(de)(de)表達基因，AUCell和GSVA算(suan)法類似，都是(shi)(shi)基因集(ji)的(de)(de)(de)(de)排序(xu)（Rank）,計算(suan)獲得(de)一個(ge)評價指標。每(mei)個(ge)細(xi)胞(bao)(bao)對應的(de)(de)(de)(de)Regulon都有(you)(you)一個(ge)對應的(de)(de)(de)(de)AUC值(zhi)(zhi)，但是(shi)(shi)在細(xi)胞(bao)(bao)水(shui)平，大多(duo)數基因都不是(shi)(shi)穩(wen)定表達，細(xi)胞(bao)(bao)活(huo)性(xing)的(de)(de)(de)(de)“ON”和“OFF”應該是(shi)(shi)部分細(xi)胞(bao)(bao)有(you)(you)較高的(de)(de)(de)(de)AUC而(er)大多(duo)數有(you)(you)較低的(de)(de)(de)(de)AUC，最理想的(de)(de)(de)(de)分布(bu)(bu)是(shi)(shi)雙峰分布(bu)(bu)bi-modal distribution，也就(jiu)是(shi)(shi)數據集(ji)中部分細(xi)胞(bao)(bao)有(you)(you)較高AUC而(er)大多(duo)數的(de)(de)(de)(de)細(xi)胞(bao)(bao)有(you)(you)較低的(de)(de)(de)(de)AUC，我們可以設置一個(ge)閾值(zhi)(zhi)來(lai)(lai)劃分（圖4 AUC閾值(zhi)(zhi)為0.11），大于該閾值(zhi)(zhi)的(de)(de)(de)(de)細(xi)胞(bao)(bao)對應的(de)(de)(de)(de)Regulons活(huo)性(xing)越高，圖5的(de)(de)(de)(de)t-SNE圖可以展示出這(zhe)一群活(huo)性(xing)高的(de)(de)(de)(de)細(xi)胞(bao)(bao)亞群。 圖4 Regulon AUC分布，橫著代表AUC值，縱軸代表AUC對應的細胞數目 圖5：AUC t-SNE圖,左圖為AUC活性，顏色越深活性越高，右圖為AUC二進制活性 總而言(yan)之，SCENIC分(fen)析(xi)(xi)能夠挖(wa)掘單細(xi)胞轉(zhuan)(zhuan)錄(lu)(lu)組數據中(zhong)轉(zhuan)(zhuan)錄(lu)(lu)因子(zi)的(de)(de)信息，已經在很(hen)多研究中(zhong)受到(dao)歡(huan)迎，通過(guo)(guo)SCENIC分(fen)析(xi)(xi)我們可以輔助細(xi)胞亞型的(de)(de)注(zhu)釋和探(tan)究細(xi)胞的(de)(de)異質(zhi)性，或者結合擬(ni)時序分(fen)析(xi)(xi)，探(tan)究細(xi)胞分(fen)化過(guo)(guo)程中(zhong)轉(zhuan)(zhuan)錄(lu)(lu)因子(zi)活性的(de)(de)變化，這些在腫瘤免(mian)疫、干(gan)細(xi)胞和骨髓等領域(yu)都有重要(yao)的(de)(de)應用價值。歡(huan)迎各(ge)位老師進一步咨詢關于SCENIC分(fen)析(xi)(xi)的(de)(de)細(xi)節，以及如何將其應用到(dao)具體(ti)的(de)(de)項(xiang)目研究中(zhong)。
