课前准备---单细胞个性化分析梳理（R vs python）

作者，Evil Genius

单细胞的基础分析部分：质控 + 整合 + 降维 + 聚类 + 差异 + 富集。

完成单细胞的基础分析部分之后，就来到单细胞个性化分析的阶段了，我们来梳理一下，比较一下R和python软件之间的区别。

首先第一步：细胞注释。

目前细胞注释的黄金标准还是人工，但是富集分析、VDJ等内容也有助于识别细胞类型。

关于搜集到的细胞marker（人和小鼠）列表课前我会发给学员。

第二步：细胞丰度的差异分析

在之前都是简单计算一下每种细胞类型在不同样本/不同组间的比例，以此来判断细胞类型随条件的变化，但是随着分析的深入，这种简单的比较被慢慢取代，而采用了更为专业的miloR的方法，如下图。

多篇高分文章采用了这个方法，其核心仍然是比较不同条件下(如疾病vs健康、不同时间点等)细胞类型或状态的细胞类型组成比例是否存在统计学显著差异。

Milo的算法核心是基于K近邻（KNN）图的混合效应模型，

1、构建KNN图：在单细胞数据上构建细胞间的邻域关系（Neighborhoods）。
2、计算细胞邻域丰度：统计每个样本在每个邻域中的细胞数量。
3、混合效应模型（GLMM）：检测邻域丰度的差异，同时控制样本间的随机效应。

软件之间的比较

第三步:轨迹分析

轨迹分析以前常见的monocle2、monocle3、等等，后来还有velocyto，scvelo、CellRank等等，R和python版本的比较如下：

简单说一下R和python之间的优势和差异

scVelo脚本课前我会发给学员。

第四步：通讯分析。

通讯分析三剑客：CellChat、nichenet、cellphoneDB。

其中更新扩展了MultiNicheNet、Cellchat 2.0、cellphoneDB 5.0.

当然了，还有很多其他的通讯分析软件，比如张泽民采用的iTALK，软件汇总如下：

其中cellchat和MultiNicheNet脚本课前我会发给学员。

第五步，CNV，分别是inferCNV、copyCAT和inferCNVpy。

一般还有计算进化树

三者之间的对比如下

选择建议

经典肿瘤分析：
首选 inferCNV（R，需参考细胞）。
无参考或低纯度样本：
选 copyCAT（R，抗噪声强）。
大数据集/快速分析：
选 inferCNVpy（Python + GPU）。

目前inferCNVpy也有了高分文章的引用，如下：

inferCNV和inferCNVpy的脚本课前我会发给大家。

第六步：转录因子

大家常用的就是SCENIC、对应的python版本是pySCENIC。

当然，也有一些其他经典的分析方法，如下：

其中引用率最高的还是scenic和pySCENIC。

第七步：基因模块，大家一般都采用了NMF或者WGCNA。

方法比较如下

其中WGCNA的脚本课前我会发给大家。

最有还有多组学分析，比如scRNA + scVDJ、scRNA + scATAC等等。

生活很好，有你更好。