前言
想必分析过单细胞数据的小伙伴都会有这样的感触：很多本应该检测到的基因却在很多细胞中表达为0，特别是在通量大的10x平台上，这个缺陷更明显，这也直接导致我们对单细胞数据的结果产生质疑。虽然随后我们知道了这是dropout的原因，但是一直都没有很好的解决办法。有道是技术不够算法来凑，随着近些年生物信息学科的迅速发展，已经有很多算法着手于降低单细胞数据dropout的影响。
Immugent之前介绍的一篇推文：iMAP: 单细胞数据整合工具天花板中，创新性提出使用测序深度更高的Smart-seq2数据来矫正10x的数据，但是这种方法的可行性不高，因为这也就意味着你需要同时测这两种数据才能使用这个算法。
此外，还有学者提出metacell的概念。简单来说就是把多个10x单细胞数据整合成一个细胞（元细胞），从而提高单个元细胞可检测到的基因数量。那么今天Immugent就来介绍最新刚推出的基于元细胞概念的R包--SuperCell，它可以通过计算单细胞矩阵相似度进而使用KNN聚类，合并同质细胞为一个元细胞，以构建metacell水平的supercell网络为基础，展开后续的可视化、差异基因分析、速率分析和数据整合等工作。
主要内容
Supercell的相应文章是今年发表在BMC Bioinformatics杂志上的一篇题为：Metacells untangle large and complex single‑cell transcriptome networks的文章。
很多人可能会觉得这个杂志不好，这个软件可能也没啥学习的必要了。但是在这Immugent需要提醒大家的是，国外的很多学者发文章并不像国内很看重影响因子，很多时候就是觉得既然都做出来了，根据心情随便投个靠谱的杂志就行了，所以我们经常可以看到有一些很有影响力的生信工具都是投在低分杂志上的。
第一幅图就是介绍Supercell包的开发流程，主要有4步：(1) A single-cell network is constructed from the single-cell gene expression matrix using k-nearest neighbors (kNN) algorithm. (2) Densely connected cells are merged into metacells at a user-defined graining level ( γ ). (3) A gene expression matrix of metacells is computed by averaging gene expression within each metacell. (4) The metacell gene expression matrix can be used for visualization and downstream analyses such as clustering, differential expression, cell type annotation, gene correlation, imputation, RNA velocity and data integration.
随后就是需要和其它同类算法进行对比了，因为只有通过对比才能显示出自身的优点。
在将单个细胞整合成元细胞后，作者就利用整合后的数据进行了cell type annotation, gene correlation, imputation and RNA velocity分析，结果发现整合后的数据明显的提高了分析结果的准确性。
最后一幅图就是通过实例整合COVID-19_atlas datasets，结果发现在不影响分析结果的情况下，整合后的数据可以显著降低分析数据所需的运行内存和时间。
展望
随着单细胞转录组数据量的不断增大，同时伴随多组学数据的融合分析，这些都对我们计算资源和时间都提出了巨大考验。同时，通量大但是测序深度低的10x平台存在很严重的droupout现象，极大的阻碍了我们深入挖掘生物学本质问题。因此，可以在保证分析结果准确的情况下，metacell的概念将在单细胞转录组数据中更多使用。在海量单细胞数据集前，掌握SuperCell无疑会让分析者多一件利器。
好啦，本期分享到这就结束了。后续生信宝库会推出一系列有关Supercell软件的代码实操的教程，敬请期待！
[参考文献]
Bilous M, Tran L, Cianciaruso C, Gabriel A, Michel H, Carmona SJ, Pittet MJ, Gfeller D. Metacells untangle large and complex single-cell transcriptome networks. BMC Bioinformatics. 2022 Aug 13;23(1):336. doi: 10.1186/s12859-022-04861-1. PMID: 35963997; PMCID: PMC9375201.
