中文 EN

singleron@singleronbio.com
02558165529
    生物信息分析


    从纷繁复杂的单细胞数据中发掘出关键信息是单细胞研究的重中之重,标准的生信分析流程不足以发现数据中的全部重要信息。新格元生信分析团队不仅可以为客户提供标准化的分析内容、经过严格测试和评估的高级分析内容,还可以结合客户项目需求,提供全方位的个性化定制分析服务。

    一、标准
    分析
    与常规单细胞转录组数据分析相比,新格元加入多维度分析内容,数据分析更加全面丰富。除了常规的QC报告和基因列表外,新格元标准分析还包括以下内容:

    1.UMAP细胞分型展示
    可在二维水平上展示细胞分群结果,直观显示样本的细胞亚型异质性和各亚群细胞数目的相对含量。

     

    UMAP图.png


    细胞分群后,通过PCA降维和聚类, 最终利用UMAP进行可视化展示,图中样本被分为15个不同细胞亚群,以不同颜色表示。

    2.Marker基因展示
    新格元可通过不同方式全面展示各细胞亚群中marker基因的表达,利用marker基因可以鉴定不同细胞亚群,发现不同细胞亚群的表达特征。

     

    生信分析marker基因图.png


    热图(左)可展示各细胞亚群中marker基因的相对表达水平,颜色从红到蓝表示表达水平由高到底;气泡图(右)⽤来展⽰marker基因在各细胞亚群的表达⽐例和相对表达水平,点由小到大表示表达比例由小到大,颜色从红到蓝表示表达水平由高到低。研究者可根据需求选择最合适的展示方式。

    3.轨迹分析
    计算机模拟单细胞数据的动态过程,并通过拟时间线的形式进行展示,有助于细胞动态研究,特别是细胞周期、细胞分化、细胞发育等过程。


    拟时序图.png


    上图展示了不同细胞亚群的所有细胞在拟时间轴上的分布及细胞亚群之间的发育与分化关系。细胞亚群4是拟时序中的起始状态,细胞沿着发育轨迹分布,在分支点产生分化,形成不同的结束状态(细胞亚群1、2和5)。



    更多标准分析内容

    UMI数目
    基因及UMI数目
    细胞群比例
    cluster相关性分析
    PCA降维
    tSNE
    Marker基因Violin图
    Reactome富集分析
    KEGG代谢通路
    蛋白互作网络
    GO富集分析
    UMI数目
    基因及UMI数目
    细胞群比例
    cluster相关性分析
    PCA降维
    tSNE
    Marker基因Violin图
    Reactome富集分析
    KEGG代谢通路
    蛋白互作网络
    GO富集分析
    UMI数目
    基因及UMI数目
    细胞群比例
    cluster相关性分析
    PCA降维
    tSNE
    Marker基因Violin图
    Reactome富集分析
    KEGG代谢通路
    蛋白互作网络
    GO富集分析
     
     


    二、个性化分析

    根据每个项目的独特需求,新格元既可以提供经过严格测试和评估的高级分析选项,也可以提供个性化定制的分析服务,可涵盖现阶段单细胞文章中出现的各种分析内容。

    1.多样本整合分析—差异基因分析、通路分析、轨迹分析、组间比较
            
    将不同样本数据进行整合,可以发现样本间的异同,有助于进行样本间的差异分析。


    生信分析多样本整合分析.png


    上图展示了不同胃癌样本整合分析结果,左图表示所有细胞的分群结果,中图表示按不同样本着色的结果,右图展示出每个样本细胞亚群的种类和比例,发现不同样本细胞亚群组成的差异。

    2.关联基因型和表型分析
    单细胞转录组获得的表达谱信息可推算出细胞的CNV,从而揭示体细胞基因组异质性。


    生信CNV图.png


    将免疫细胞当做正常细胞作为参照,利用单细胞技术得到的癌症细胞的表达谱计算出在不同染色体区域的拷贝数差异(CNV)。红色代表该染色体区域有拷贝数扩增,蓝色代表该染色体区域出现拷贝数缺失。

    3.转录速率分析
    通过模拟RNA转录速率进行拟时序,和monocle结果进行比对,可进一步验证不同细胞间的发育关系。


    RNA-velocity.png

     

    不同颜色表示不同细胞类型,箭头表示发育方向,图中展示了不同细胞类型的发育关系。

    4.细胞类型注释
    新格元利用独有SingleronDB数据库和机器学习算法自动注释已知细胞类型,并通过人工审核保证注释结果可靠性,为用户提供准确的注释结果并节省大量查阅文献的时间。

     

    QQ截图20200414093917.png

     

    上图从左到右展示了利用新格元数据库进行细胞类型注释的结果。肺癌组织首先被分为免疫细胞和非免疫细胞类型(左),发现免疫细胞可分为9种不同类型(中)。并且免疫细胞可做更细致的亚群注释,如Neutrophils、Monocytes、Macrophages等细胞都可分为不同亚型(右)。

     

    5.细胞通讯网络
    细胞与细胞之间的信号传递可能影响组织中细胞的行为和变化。基于已知配体受体关系的数据库,细胞通讯分析可以挖掘出样本中不同细胞类型间显著的细胞互作关系,深度挖掘影响细胞行为的因素。

     

    细胞网络图导出.png

     

    以不同颜色表示不同种类的细胞,细胞间连线的粗细和颜色深浅表示相互作用的强度。

    6.解卷积
    解卷积可预测传统转录组测序数据中不同细胞类型的相对百分比,从传统转录组测序中获得细胞层面信息。

     

    解卷积.png

     

    上图展示了5个乳腺癌样本中免疫细胞解卷积结果,预测样品中22种免疫细胞的相对组分,不同颜色代表不同免疫细胞类型。


                                                 更多高级分析内容

    多样本整合分析
    多样本通路分析
    CCA分析
    GSEA分析
    拟时序分析
Copyright © 2019 新格元生物科技有限公司.   流量统计 苏ICP备19004238号-1 网站维护:华科互动