非肿瘤之scRNA-seq和bulk RNA结合思路

近些年，单细胞思路是生信研究热点，非肿瘤的单细胞数据相对较少，因此巧妙地运用单细胞数据，是提高文章质量的关键。今天分享一篇非肿瘤相关的纯生信文章，将Single-cell和Bulk RNA数据相结合，用常规的分析方法，发表在Frontiers in Immunology上，一起来看看吧。

阿尔兹海默症免疫相关基因的表达和潜在调控机制

开始这篇文章之前，我们先回顾一下单细胞RNA测序和Bulk RNA的区别：

单细胞测序是对单个细胞的RNA进行测序，我们之前所接触到的都是取肿瘤组织或血液样本等，对这 一群细胞的 混合RNA进行测序，能够得到的是一群细胞的转录组的 平均数据，或者说是 代表性数据，细胞之间的异质性信息往往被掩盖。

举个例子，一块肿瘤组织， 肿瘤中心与肿瘤边缘的细胞表达情况一样吗？显然不一定，而如果想研究肿瘤微环境或免疫功能，这种细胞之间的异质性往往是不能忽略的。

单细胞转录组(scRNA, single-cell RNA)测序恰恰弥补了这一缺点，同时也解决了因样本量太少而无法进行常规测序的难题，为我们研究单个细胞的行为、机制提供了新的方向。

摘要

近些年，越来越多的研究表明神经炎症和神经系统免疫浸润是阿尔兹海默症(Alzheimer's Disease, 以下简称AD)发病的关键因素。由于血脑屏障的存在，中枢神经系统中很少见到外周血免疫细胞，但研究人员发现在AD患者的大脑中存在免疫细胞，且与发病密切相关。本篇文章的研究目的就在于探索AD患者免疫相关基因( Immune-Related Genes, 以下简称IRGs)的表达情况及可能的调控机制。

研究方法

研究共选取了3个GEO数据集，其中既有scRNA-seq数据，也有bulk RNA-seq数据；既有人类AD患者的数据，也有AD小鼠的数据，两种数据相结合是本文的亮点之一。

此研究采用常规的单细胞分析流程，用AUCell包评估免疫相关基因集在细胞中的活性，此外还有常用的功能富集分析和PPI网络等。

结果简述

3.1

数据来源

1. AD患者和正常人bulk RNA数据：（脑组织）

GEO数据库： GSE33000

2. AD患者和正常人单细胞数据：（外周血样本）

3. AD小鼠和正常小鼠单细胞数据：(脑组织）

3.2

单细胞数据分析

首先利用GSE181279数据集，用Seurat包进行主成分分析(PCA)和t分布邻域嵌入算法( t-SNE)。基因数<200，>2500，或线粒体基因>5%的细胞被排除。共得到24679个细胞用于后续分析

PCA降维，得到15个PCs，用JackStrawPlot进行可视化（图1D）

FindClusters功能将细胞聚类，resolution为0.2

FindAllMarkers鉴定每个cluster的DEGs，将每个cluster的top10的DEGs用热图展示（图1E）。

基于每个cluster的DEGs和以往的研究来鉴定细胞类型。最终得到NK细胞、B细胞、CD4+T1/T2细胞等。并将AD患者聚类结果与对照组比较，结果显示NK细胞在AD患者中所占比例明显比对照组低（图2B、E、F）。因此NK细胞是研究的重点。

对每个cluster中的部分基因的表达情况进行展示（2C、D）

不要忘了，这是外周血样本。AD患者外周血中的NK细胞含量相对较低，为什么会低呢？我们就可以推测NK细胞或许是参与了神经系统的免疫浸润。

为了研究免疫相关基因的表达情况，作者结合 ImmPort数据库，与DEGs取交集得到212个IRGs。将此212个免疫相关基因看作一个基因集，用 AUCell包评估免疫相关基因集在各个细胞中的活性（图3A），AUC值越高说明活性越高，可以看出IRG基因集活性较高的细胞主要集中在NK细胞和DC细胞（图3B）。

将NK cluster的DEGs进行富集分析，主要富集在"Immune response"和"antigen processing"通路上（图3C、D)。