前言
基于单细胞数据进行通路活性的评分软件已经有很多款了，Immugent在之前的一篇推文：一文带你了解单细胞数据基因集打分的所有算法中就介绍过一些常用的算法。以小编的经验来看，这类算法大同小异，也没有哪一种分析出的结果绝对准确，因此在实际应用中需要灵活使用。
Immugent最近在读一篇Cell reports上的一篇文章时,get到一种新的算法--SCPA（single-cell pathway analysis）。相对于其它同类软件，SCPA使用简单，功能全面，而且可以进行系统性筛选目前主流的所有功能通路。因此，鉴于这个软件的功能还是很全面的，Immugent决定出一个系列推文来介绍这个软件。
限于本篇推文内容有限，Immugent先主要介绍一下SCPA发布时，对应原文中解决实际科学问题的使用场景，后续会推出一系列推文进行代码实操。
主要内容
SCPA的主要功能是基于作者之前开发的一个nonparametric graph-based statistical framework，这旨在完全捕获单细胞数据的多变量复杂性，而不会对基因表达分布施加参数假设。文章的第一幅图也是为了介绍这个算法的开发流程，并且将SCPA和其它同类软件（AUCell, GSVA, iDEA，ssGSEA, Vision, Zscore）进行了对比，发现其在揭示单细胞数据通路差异性上具有明显优势。
紧接着作者从外周血中平行磁分离CD4+和CD8+ T细胞，CD45RA或CD45RO染色，FACS分类以区分初级和记忆T细胞，不刺激/用抗cd3和抗CD28刺激12，24小时后进行单细胞测序。
通过使用SCPA对不同处理是T细胞亚群进行通路差异分析，作者揭示了许多T细胞早期激活，以及一系列人类CD4+和CD8+ T细胞群的转录组特征。
为了更好地理解T细胞的全局特征，作者接下来寻找核心通路中特定特征的富集。由于细胞信号和细胞周期事件在T细胞激活时已被很好地描述，作者选择研究细胞因子反应特征。在这类途径中，作者注意到所有四种幼稚和记忆性CD4+和CD8+ T细胞群中都存在干扰素(IFN)相关基因集，并且这个结果在人和小鼠上是一致的。
最后，在描述了体外环境下T细胞通路后，作者接下来的目标是了解当T细胞迁移到组织中时通路是如何被调节的。通过使用SCPA对不同来源T细胞进行全局通路分析，作者生成了组织源性T细胞通路活性的图谱，确定了来自组织的T细胞通路活性的广泛扰动，特别是在肺源性T细胞中，并进一步发现了来自骨髓的T细胞中高表达先前未被识别的α-防御素。
展望
这篇文章单从解决的科学问题上看并没有太多重大的发新现，最后找到的骨髓特异的T细胞高表达α-防御素，也没有进一步通过功能试验验证，当然也不排除作者做了相关实验没有得到较好的结果。而之所以这项比较简单的研究还能被编辑喜爱，多半是其开发了SCPA这个工具。我们知道，如今工具就象征着引用量，特别是针对单细胞数据开发的工具是近些年的热门。
SCPA这个工具其实还是有很多用途的，特别是对处理相对多样的单细胞数据集，能够比之前算法更加精准的捕获到差异的功能通路。生信宝库接下来会通过一些列代码实操的形式为大家介绍其在实际应用中的使用场景。
好啦，本期分享到这里就结束了，我们下期再会~~
[参考文献]
Bibby JA, Agarwal D, Freiwald T, Kunz N, Merle NS, West EE, Singh P, Larochelle A, Chinian F, Mukherjee S, Afzali B, Kemper C, Zhang NR. Systematic single-cell pathway analysis to characterize early T cell activation. Cell Rep. 2022 Nov 22;41(8):111697. doi: 10.1016/j.celrep.2022.111697. PMID: 36417885.
