scRNA FIgure1 降维聚类、注释可视化学习

单细胞转录组分析提示胰腺癌肝转移中存在免疫抑制肿瘤微环境

本篇主要介绍一下scRNA中Figure1的另一个一个展示版本。[1]

• 本研究全面分析同步切除PDAC原发肿瘤及匹配肝转移的TME景观。
• 利用scRNA-seq，我们表征原发肿瘤与肝转移之间的细胞群体分布差异及细胞间相互作用。我们不仅揭示了肿瘤细胞在原发和转移部位之间独特的转录组特性，还识别出可能促成转移病灶免疫抑制微环境形成的特定间质和免疫细胞亚型。
• 这些结果为理解PDAC肝转移及开发转移性PDAC患者的个性化治疗提供了有用的机制信息。

图1：原发及匹配转移性PDAC组织的单细胞转录组分析。

a.本研究样本采集与数据分析工作流程

scRNA样本

• 肝转移(HM=4)
• 原发肿瘤(PT=3)
• 正常组织(NT=1)

WES全外显子测序

• 肝转移
• 原发肿瘤
• 正常组织
• 6个样本

公共数据

• scRNA-seq
• bulk RNA-seq

b.不同样本组细胞炎症特征表达量缩放

c.29个细胞簇注释为12种细胞类型

• UMAP
• 采用同一细胞类型渐变色注释而展示

image

image

d.展示全部细胞簇间代表性标记基因

• 气泡图
• 全部簇
• 全部细胞类型

e.条形图显示不同组样本细胞类型丰度

• 基于本研究中的scRNA-seq数据或Yang等人的去卷积体RNA-seq数据。
• 联合了bulk-RNA 数据做了反卷积而分析

f.不同患者间细胞类型异质性

• 条形图
• Jensen-Shannon发散（JSD）分数

Jensen-Shannon Divergence指数是一种用于衡量两个概率分布之间相似性的统计量，在单细胞数据分析中常用于比较不同细胞群体或样本之间的转录组分布差异。这个需要学习一下。

JSD在单细胞分析中的作用

• 细胞群体差异检测：用于比较不同细胞类型、细胞状态（如分化阶段、激活状态）或不同样本（如疾病组与对照组）之间的转录组差异。JSD值越大，表明两个群体的基因表达分布差异越显著。
• 数据质量评估：可辅助判断细胞分群结果的合理性，若同一细胞群内细胞的JSD值较低，说明细胞群体内部基因表达一致性较高，分群结果可靠。
• 跨样本比较：在多组学或多样本分析中，JSD可用于量化不同样本之间的转录组相似性，帮助识别样本间的系统性差异或共性。

JSD的优势与局限性

• 优势：相比KL散度，JSD具有对称性，且数值范围有限（通常在0到1之间），更便于解释和比较；对概率分布的微小变化敏感，能捕捉到细胞群体间的细微差异。
• 局限性：JSD是对整体分布的衡量，可能忽略局部特征的差异；对高维数据（如单细胞转录组）的计算复杂度较高，需结合降维或特征选择方法优化。 在实际应用中，JSD常与其他分析方法（如t-SNE可视化、差异基因分析）结合使用，以全面解析单细胞数据的异质性和生物学意义。

g.主要细胞类型的分布及每种细胞类型中差异表达基因（DEGs）的数量

• 通过umap展示不同细胞类型的差异基因分布

Supplementary Figure 1

WES数据中调用的前50个突变基因

由细胞簇着色的57,702个细胞的UMAP图。

亚群的数据展示

• 热图显示细胞亚群特异性标记基因的缩放表达水平。
• UMAP（中）标记基因表达
• 每种细胞类型中高表达基因的生物过程的GO富集（右）

不同分组的细胞类型比例和荧光标记共定位

每个样本组和所有样本中集成细胞图中注释的细胞类型之间的关系

不同样本的UMAP图和细胞比例条形图

至此，这篇文献的Figure1 全部完成。

参考资料

[1]

单细胞转录组分析表明免疫抑制性肿瘤微环境与胰腺癌肝转移有关: https://www.nature.com/articles/s41467-023-40727-7/