当前位置：首页 > news >正文

哈佛大学单细胞课程|笔记汇总（二）

news 来源：原创 2024/9/20 14:46:17

哈佛大学单细胞课程|笔记汇总（一）

（二）Single-cell RNA-seq data - raw data to count matrix

根据所用文库制备方法的不同，RNA序列（也被称为reads或tag）将从转录本（(10X Genomics, CEL-seq2, Drop-seq, inDrops）的3'端（或5'端）或全长转录本（Smart-seq）中获得。

Image credit: Papalexi E and Satija R. Single-cell RNA sequencing to explore immune cell heterogeneity, Nature Reviews Immunology 2018 (https://doi.org/10.1038/nri.2017.76)

不同测序方式的优点：

3’（或5’）末端测序：

通过使用UMI进行更准确的定量，从而将生物学重复与扩增重复（PCR）区别开来；
测序的细胞数量更多，可以更好地鉴定细胞类型群；
每个细胞成本更低；
大于10,000个细胞的结果最佳

全长测序：

检测亚型水平（isoform-level）表达差异；
鉴定等位基因特异性差异表达；
对较少数量的细胞进行更深的测序；
最适用于细胞数少的样品。

我们将主要介绍3’端测序，重点是基于液滴的方法 (inDrops, Drop-seq, 10X Genomics)。

3’-end reads (includes all droplet-based methods)

在3’端测序中，同一转录本的不同reads片段仅会源自转录本的3’端，相同序列的可能性很高，同时在建库过程中的PCR步骤可能导致reads的重复，因此为了区分是生物学还是技术上的重复，我们使用唯一标识符（unique molecular identifiers，UMI）进行标注。

比对到相同的转录本、UMI不同的reads来源于不同的分子，为正常生物转录，每个read都被计数。
UMI相同的reads来自同一分子，为技术重复，计为1个read。
上面两条描述是理想情况，方便理解，实际处理起来要复杂一些。

我们以下图为例，下图中分子ACTB的UMI均相同，因此只能记为1个molecule，而ARL1的UMI不同所以可以记为2个molecule。

Image credit: modified from Macosko EZ et al. Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets, Cell 2015 (https://doi.org/10.1016/j.cell.2015.05.002)_

在细胞水平进行正确定量都需要以下条件：

Sample index: 样本来源
- Added during library preparation - needs to be documented
Cellular barcode: 细胞来源
- Each library preparation method has a stock of cellular barcodes used during the library preparation
Unique molecular identifier (UMI): 转录本来源
- The UMI will be used to collapse PCR duplicates
Sequencing read1: the Read1 sequence
Sequencing read2: the Read2 sequence

例如，使用inDrops v3库准备方法时，以下内容是reads的所有信息：

Image credit: Sarah Boswell(https://scholar.harvard.edu/saboswell), Director of the Single Cell Sequencing Core at HMS_

R1 (61 bp Read 1): sequence of the read (Red top arrow)
R2 (8 bp Index Read 1 (i7)): cellular barcode - which cell read originated from (Purple top arrow)
R3 (8 bp Index Read 2 (i5)): sample/library index - which sample read originated from (Red bottom arrow)
R4 (14 bp Read 2): read 2 and remaining cellular barcode and UMI - which transcript read originated from (Purple bottom arrow)

对于不同的基于液滴的scRNA-seq方法，scRNA-seq的分析工作流程相似，但是UMI、细胞ID和样品索引的解析会有所不同。例如，以下是10X序列reads的示意图，其中index，UMI和barcode的位置不同：

Image credit: Sarah Boswell(https://scholar.harvard.edu/saboswell), Director of the Single Cell Sequencing Core at HMS_

Single-cell RNA-seq workflow

scRNA-seq方法能通过测序的reads解析barcodes和UMI，它们在特定步骤里会轻微地不同，但除了方法外，大致流程都是一致的，常规工作流程如下所示：

Image credit: Luecken, MD and Theis, FJ. Current best practices in single‐cell RNA‐seq analysis: a tutorial, Mol Syst Biol 2019 (doi: https://doi.org/10.15252/msb.20188746) 中文解读见：重磅综述：三万字长文读懂单细胞RNA测序分析的最佳实践教程（原理、代码和评述）

工作流程的步骤是：

生成count矩阵（method-specific steps）：

reads格式化，对样本进行多路分解（demultiplexing，即通过barcodes确定reads的来源），比对和定量。
原始count的质量控制：

过滤质量较差的细胞。
细胞聚类：

基于转录活性的相似性对细胞进行聚类（细胞类型数=簇数）？
marker识别：

识别每个cluster的标记基因。
可选的下游步骤。

无论进行那种分析，生物学重复都是必要的！

Generation of count matrix

我们聚焦于基于液滴型的3’端测序（比如inDrops、10X Genomics和Drop-seq），将原始测序数据转换为count矩阵。

测序工具将以BCL或FASTQ格式输出原始测序数据，或生成count矩阵。如果reads是BCL格式，我们将需要转换为FASTQ格式。有一个有用的命令行工具bcl2fastq，可以轻松执行此转换。

NOTE: We do not demultiplex at this step in the workflow. You may have sequenced 6 samples, but the reads for all samples may be present all in the same BCL or FASTQ file.

对于许多scRNA-seq方法，从原始测序数据中生成count矩阵都将经历相似的步骤。

umis（https://github.com/vals/umis）和`zUMIs`（https://github.com/vals/umis）是命令行工具，可用于估计测转录本3'端的scRNA-seq数据的表达。此过程中的步骤包括：

格式化reads并过滤嘈杂的细胞barcodes；
Demultiplexing the samples（通过barcodes确定reads的来源）；
比对/伪比对到转录本；
折叠UMI和定量reads。

当然，如果使用10X Genomics建库方法，Cell Ranger pipeline(https://support.10xgenomics.com/single-cell-gene-expression/software/pipelines/latest/what-is-cell-ranger)将负责执行以上的所有步骤 (10X单细胞测序分析软件:Cell ranger，从拆库到定量)。

格式化reads并过滤非细胞barcodes：

FASTQ文件能解析得到细胞barcodes、UMIs和样本barcodes。对于基于液滴型的方法，一些细胞barcodes会对应的低的reads数(< 1000 reads) ，原因是：

encapsulation of free floating RNA from dying cells
simple cells (RBCs, etc.) expressing few genes
cells that failed for some reason 在比对reads之前，需要从序列数据中过滤掉多余的条形码。

为了进行这种过滤，提取并保存每个细胞的“细胞条形码”和“分子条形码”。

例如，如果使用“umis”工具，则信息将以以下格式添加到每条reads的标题行中 (NGS基础 - FASTQ格式解释和质量评估)：

@HWI-ST808:130:H0B8YADXX:1:1101:2088:2222:CELL_GGTCCA:UMI_CCCT
AGGAAGATGGAGGAGAGAAGGCGGTGAAAGAGACCTGTAAAAAGCCACCGN
+
@@@DDBD>=AFCF+<CAFHDECII:DGGGHGIGGIIIEHGIIIGIIDHII#

建库中使用的细胞条形码应该是已知的，未知的条形码会被丢弃，同时对于已知的细胞条形码允许一定的错配。

Demultiplexing the samples：

如果测序多于一个样品执行此步骤，这是一步不由“umis”工具处理，而由“zUMIs”完成的步骤，这步会解析reads以确定与每个与细胞相关的样本条形码。

比对/伪比对到转录：

通过传统（STAR）或轻量型（Kallisto/RapMap）方法，将reads比对回基因。

折叠UMI和定量reads：

使用Kallisto或featureCounts之类的工具仅对唯一的UMI进行量化，得到

Image credit: extracted from Lafzi et al. Tutorial: guidelines for the experimental design of single-cell RNA sequencing studies, Nature Protocols 2018 (https://doi.org/10.1038/s41596-018-0073-y)

矩阵中的每个值代表源自相应基因在各个细胞中的reads数。