Author Archives: hzaubionlp

谢谢美味。

10公里。。。 我们这么能走？

我们居然跑下了3.7公里。

一路通过预赛，技术赛，进入最后一轮。 虽遗憾止步于决赛，过程美好，精神尤嘉。

武汉，盛夏。欢迎课题组新成员。 以及几件值得庆祝的事！ “一杯冰激凌。——艳山红遍天辽阔。 几杯梅子酒。——青梅煮酒论英雄。”

SCENIC: single-cell regulatory network inference and clustering | Nature Methods  【经典文献小组讨论】 刘雅文整理 2024/06 背景： 单细胞转录组分析为高分辨率地识别细胞状态和状态之间的转换提供了新的机遇。 担心在单细胞水平上，基因表达随机变化可能已经和TF输入的动态部分脱节。 作者推断，将顺式调控序列与单细胞基因表达联系起来可以克服丢失和技术变异，从而优化细胞状态的发现和表征。 开发了单细胞调控网络推理和聚类（SCENIC）来绘制GRN，然后通过评估每个细胞中GRN的活性来识别隐藏的细胞状态。 一、Highlights 论文摘要：“我们提出了 SCENIC，一种根据单细胞 RNA-seq 数据同时进行基因调控网络重建和细胞状态识别的计算方法 (http://scenic.aertslab.org)。结合肿瘤和大脑的单细胞数，证明了顺式调控分析可用于指导转录因子和细胞状态的识别。 SCENIC 为驱动细胞异质性的机制提供了重要的生物学见解。” GRN的结果形式为TF到TG（目标基因）形成的Regulon。（在基因调控网络中，”Regulon”通常指的是一组受单一或一组调控因子控制的基因集合。这些基因共同参与特定的生物学过程或响应特定的环境条件。调控因子可以是转录因子、小RNA分子或其他类型的分子，它们能够直接或间接地影响基因的表达。） 使用三组已知工具来计算Cell对应的TF得分。 1. 使用GENIE3鉴定TF-TGs共表达模块。（R包）输入为scRNA-seq数据。 2. 使用RcisTarget对每个共表达模块，预测基因集合TSS附近motif，进一步关联到显著富集的TFs。对第一步形成的共表达模块进行筛选，仅保留具有直接关联的TF-TGs，形成最终的GRN。其中一个TF对应的若干TGs被称为regulons。（R包） 3. 使用AUCell算法打分评价每个细胞中的每个regulons的活性，帮助识别有higher subnetwork actibvity的细胞。The resulting binary activity matrix has reduced dimensionality, which can be useful for downstream analyses。（R包） 每个Cell的TF分数向量，相当于cell嵌入，基于其进行后续分析。 二、GRN基本概念 每个GRN包含三种类型的相互作用，即 反式调节（TF-TG trans-regulation）——ContinueContinue reading “文献阅读《SCENIC，单细胞数据推测基因调控网络GRN,NM2017,(Aibar, 2017)》”