不止转录组，更有实时转录动态！Nature教你单细胞文章更高级！

Hi，大家好，我是晨曦

根据各位小伙伴的私聊以及前几期推文的阅读量来看，可能Python并不能并不是十分契合现阶段小伙伴的需求，而且也有小伙伴私信晨曦，希望晨曦可以再更新一些单细胞相关的分析内容，说自己常规的细胞轨迹分析、细胞通讯分析以及转录因子分析已经不能满足自己的需求了~

那么好，晨曦接下来会更新一些单细胞新出的高阶分析，争取做一个单细胞高阶分析“百科全书”，也希望各位小伙伴如果觉得内容不错，也欢迎点赞转发哦~

什么是RNA速率（RNA velocity）

复杂的概念并不是我们追求的内容，我们这里简单概括一下：单细胞scvelo分析是一种基于单细胞RNA测序数据的分析方法，用于研究单个细胞之间的转录调控关系和细胞发育轨迹。scvelo是single-cell velocity（单细胞速率）的缩写，它能够探测细胞转录状态的动态变化，预测细胞的未来发育方向和状态，并揭示细胞发育过程中的分子机制。

那么，我们可以明确，这项分析我们可以应用在具有潜在发育组织的样本中

然后我们接下来，来看看别人是如何使用这项分析的，下面笔者将通过文献的方式给各位小伙伴进行高度总结：

1.RNA丰度是单个细胞状态的一个强有力的指标。单细胞RNA测序可以定量、准确、灵敏、准确地揭示RNA丰度。然而，这种方法只能在某个时间点捕获静态快照，这对分析诸如胚胎发育或组织再生等随时间变化的现象提出了挑战。在这里，本文章证明了RNA速率——基因表达状态的时间变率——可以通过区分普通单细胞RNA测序中未剪接和剪接的mRNA来直接进行估计。 RNA速率是一种高维的载体，可以在数小时的时间尺度上预测单个细胞的未来状态。本文在神经嵴谱系中验证了它的准确性，展示了它在多个已发表的数据集和技术平台上的应用，揭示了发育中的小鼠海马的分支谱系树，并检测了人类胚胎大脑中的转录动力学。 RNA速度将极大地帮助分析发育谱系和细胞动力学，特别是在人类。

2.简单理解，我们 常规使用的基因表达矩阵可以理解为是在转录组细胞表达的“瞬间”，但是正常来说， 机体内无时无刻不在进行转录和翻译，也就是转录、剪接和降解，它们都是有速度的，作者在文中就 定义了这些速度，所谓的RNA速率其实就是成熟的mRNA的丰度变化速度，可以通过前体mRNA和成熟mRNA的指标估计，并且可以用来预测细胞未来数小时内的状态

然后笔者在pubmed上检索了一下使用RNA velocity的文献，然后发现了下面这篇文献：

然后这篇文章运用RNA velocity阐释了同一个样本中感兴趣的细胞亚群的分化情况，首先作者提取了单细胞亚群中 mesenchymal GSC（间充质胶质瘤干细胞）和proneural GSC（神经表型间充质干细胞），然后进行了RNA velocity分析揭示了RNA velocity showed that GSC subtype transitions from mesenchymal to proneural phenotype

轨迹分析目前来说有两类：

1.拟时序分析

2.RNA velocity

简单来说就是RNA velocity分析并不需要在分析中指定起点和终点，但是输入文件需要我们认为整理成loom文件，这个在后面的代码演示中会着重强调

2.代码演示

#准备工作 library(Seurat) library(velocyto.R) #加载数据 #http: //pklab.med.harvard.edu/velocyto/mouseBM/SCG71.loom ldat <- ReadVelocity(file = "SCG71.loom") bm <- as.Seurat(x = ldat) bm <- SCTransform( object= bm, assay = "spliced") bm <- RunPCA( object= bm, verbose = FALSE) bm <- FindNeighbors( object= bm, dims = 1: 20) bm <- FindClusters( object= bm) bm <- RunUMAP( object= bm, dims = 1: 20) bm <- RunVelocity( object= bm, deltaT = 1, kCells = 25, fit.quantile = 0.02) ident.colors <- (scales::hue_pal)(n = length(x = levels(x = bm))) names(x = ident.colors) <- levels(x = bm) cell.colors <- ident.colors[Idents( object= bm)] names(x = cell.colors) <- colnames(x = bm) show.velocity.on.embedding.cor(emb = Embeddings( object= bm, reduction = "umap"), vel = Tool( object= bm, slot = "RunVelocity"), n = 200, scale = "sqrt", cell.colors = ac(x = cell.colors, alpha = 0.5), cex = 0.8, arrow.scale = 3, show.grid.flow = TRUE, min.grid.cell.mass = 0.5, grid.n = 40, arrow.lwd = 1, do.par = FALSE, cell.border.alpha = 0.1)