掃碼聯系客服
今天給大家介紹一個實用的單細胞數據庫，是今年8月份發表在《Cancer Immunology Research》上的文章中介紹的，“Single-Cell Analysis of the Pan-Cancer Immune Microenvironment and scTIME Portal”，單細胞測序開啟了腫瘤免疫微環境(TIME)研究的新時代。然而，在單細胞、泛癌癥分析中，解決具體身份和腫瘤免疫微環境的多樣性問題是缺乏的。研究人員首先構建了一個具有細化亞細胞類型的泛癌單細胞參考TIMEs，并識別了新的細胞類型特異性轉錄因子。然后，研究人員展示了TIME的共同特征的泛癌視圖，并在豐度、細胞狀態和細胞通訊方面比較了患者和腫瘤類型中每種免疫細胞類型的變化。研究人員發現，功能失調T細胞的豐度和細胞狀態變化最大，而調節性T細胞則相對穩定。腫瘤相關巨噬細胞(TAM)， PLTP+C1QC+ TAM，可能通過細胞因子/趨化因子信號調節功能失調T細胞的豐度。TIMEs的配體受體通訊網絡是具有腫瘤特異性的，并以腫瘤富集的免疫細胞為主。
此外，研究人員還開發了帶有特定于scTIME的分析模塊和統一的細胞注釋的單細胞腫瘤免疫微環境(scTIME)(http://scTIME.sklehabc.com)。除了使用精煉過的細胞類型進行免疫細胞區分和相關分析外，該網站還提供細胞與細胞相互作用和細胞類型特異性基因標簽分析。研究人員的單細胞泛癌分析和scTIME門戶網站將提供更多可深入了解TIMEs的特征，以及免疫治療背后的分子和細胞機制。
scTIME不僅整合了泛癌的免疫單細胞數據資源，而且提供一系列的單細胞分析模塊，包括免疫細胞組成、免疫細胞類型的關聯性分析、免疫細胞類型特異的signature分析、細胞-細胞通訊等，方便實驗研究人員和臨床醫生探索腫瘤免疫微環境的特征 。接下來讓小編一起帶著大家使用一下這個網站。
網址：http://sctime.sklehabc.com/unicellular/home
網站首頁
scTIME包含了49個數據集，涉及人與老鼠兩種物種，囊括了39種癌癥，每一個數據集會提供相應的GEO編號、單細胞測序技術、物種信息、癌癥類型、細胞數目以及其相應的參考文獻，我們可以根據上述信息篩選需要的數據。
2.數據分析
搜索乳腺癌產生的頁面
以乳腺癌為例，我們可以看到經常用到的GSE75688的乳腺癌單細胞數據集，產生的結果頁面包含三大塊信息：Results(結果呈現）, Metainfo（細胞注釋信息）,Process（方法相關細節與參數）
點擊GSE75688數據集，Results界面
Metainfo界面，包含了單細胞數據的細胞注釋信息
Process界面，包含了處理數據的方式（R語言seurat包等）以及數據的參數處理設置
3.數據結果展示
接下來回到Result界面，我們可以看到關于乳腺癌單細胞數據的UMAP降維聚類結果，UMAP是一種非常有效的可視化和可伸縮降維算法。在可視化質量方面，UMAP算法與t-SNE具有競爭優勢，但是它保留了更多全局結構、具有優越的運行性能、更好的可擴展性。這部分的分析結合了細胞類型聚類與細胞亞型注釋兩部分（細胞亞型的注釋基于的是該數據庫研究構建的泛癌-免疫細胞單細胞參考圖譜，利于在不同癌癥類型或數據集間進行比較分析），而且在這里可以自主篩選你想要的細胞類型或者基因進行展示（如：細胞類型UMAP+樣本UMAP來判斷細胞類型的識別是否存在樣本偏性）。
接下來的cell Type Composition主要顯示了每個免疫細胞類型的細胞數量以及細胞比例。我們可以通過這個分析研究哪些細胞類型的豐度具體影響了腫瘤的表型。
計算不同細胞類型之間的細胞比例相關性，可以分析哪些細胞類型在患者中傾向于共出現或者互斥，探究免疫細胞類型在腫瘤微環境中的交叉調節。在參數設置上我們可以選擇自己想做的相關性分析算法，以及納入計算的細胞數量。
免疫細胞類型的轉錄異質性也是腫瘤免疫微環境的一個研究熱點，這里我們可以選擇我們想要研究的通路在不同免疫細胞中的表達情況。
假如在上面的研究后我們發現兩種細胞類型的豐度是具有相關性的，如果我們想進一步的研究它們是通過調控那種基因來進行的，可以通過這個模塊選擇。
接下來是Result中的最后一個分析模塊，配體受體互作網絡(LR Network)，可以自定義配體-受體互作強度閾值、顯著性、分析的細胞類型等，探究哪些細胞類型處于免疫細胞網絡的關鍵位置，哪對細胞類型間頻繁進行細胞通訊等問題。還可以通過下圖的氣泡圖進行可視化研究。
