掃碼聯系客服
單純測完單細胞就能發高分文章的時代已經遠去了，但是單細胞數據挖掘的時代才剛剛到來。畢竟隨著大量單細胞測序文章的發表，公共數據庫的單細胞數據已經積累到令人發指的程度了。從前幾天為大家整理的單細胞數據庫匯總就能發現，整合單細胞測序數據的數據庫都已經到了只能收藏不能背下來的程度了。相對來說，非腫瘤疾病的數據是沒有腫瘤數據豐富的；不像TCGA，發1-10分都綽綽有余。不過，單細胞數據庫都已經收藏了，那么有沒有合適的路子能夠用上這些數據呢？答案是肯定的，小編這就通過一篇7分文章為大家介紹非腫瘤疾病單細胞+bulk RNA-seq數據的經典搭配。
文章21年十一月份發表在Frontiers in Immunology（IF: 7.561）。
Expression of Immune Related Genes and Possible Regulatory Mechanisms in Alzheimer’s Disease
阿爾茲海默癥免疫相關基因的表達和潛在調控機制
摘要：
阿爾茲海默癥（Alzheimer’s disease, AD）作為最常見的進行性癡呆，其特點是記憶衰退和嚴重殘疾。最近，越來越多的研究表明神經炎癥和組織駐留的免疫細胞是AD發病的關鍵因素。
已有研究表明外周免疫細胞與中樞神經具有強烈的相互作用。免疫相關基因在免疫浸潤中發揮重要作用；然而，AD中免疫基因的表達特征和可能機制還不清楚。
材料方法：
來自GEO數據庫的一套AD PBMC單細胞RNA sequencing數據作為訓練集，一套小鼠NK細胞單細胞數據作為驗證集；來自GEO數據庫的一套AD大腦bulk RNA-seq數據；免疫相關基因來自ImmPort；常規單細胞分析流程，AUCell評估基因集活性；功能富集；PPI網絡。
結果：
1.AD中PBMC單細胞表達譜
很常規的單細胞前期分析結果，例如基因、count、線粒體基因，相關性，DEG熱圖，其次是細胞cluster與注釋。從結果可以看到，與對照樣本相比，NK細胞顯著減少，因此后續分析聚焦NK細胞。
2.AD中PBMC細胞cluster的IRG score
為了研究IRG在AD中的表達特征，首先篩選cluster差異的IRG，采用AUCell構建IRG活性得分，以AUC value的形式展示在不同細胞類型的分布。從結果可以看到，在閾值0.26的情況下，NK細胞和DC細胞的AUC更高。NK細胞也與前一個結果能銜接上，因此，針對NK細胞采用GO和KEGG探索細胞亞群功能。
3.AD大腦bulk RNA-seq差異表達基因
為了探索AD大腦組織表達特征，采用來自大腦前額葉組織的芯片數據進行差異表達分析和差異基因功能富集分析。從結果可以看到，與NK細胞富集結果相似，都聚焦在免疫反應。
4.共有IRG和相關的調控轉錄因子
由于NK cluster和大腦組織的差異基因都富集到免疫反應，因此接下來研究兩者共有的IRG。共識別到70個common IRG。
為了研究common IRG的轉錄調控活性，從HumanTFDB獲取common IRG的1665TF，17個TF屬于NK cluster和大腦組織差異基因。TF PPI network識別STAT3可能作為關鍵因子對IRG進行轉錄調控。
5.AD大腦中驗證NK浸潤
全文整體來看，邏輯緊密，思路也非常清晰。巧妙的結合了免疫基因、scRNA-seq和bulk RNA-seq；對于文章的中心也非常好把握，某某轉錄因子通過調控關鍵免疫基因在某細胞類型中發生紊亂，導致了疾病進展，不太可能出現結果亂七八糟完全不知道重點在哪的情況。此外，如果只基于公共數據來做，也有很多可以更換和拓展的地方，例如完全可以研究炎性基因、干擾素等基因，甚至被人搶發的熱點基因集例如鐵死亡、缺氧等等；對于有實驗條件的情況，完全可以去掉當前文章的驗證部分，選擇一到兩個結果對細胞和基因進行驗證，可以輕松提升文章水平。
