作者，Evil Genius
今天周六了，好好休息一下。
这一篇我们来说一些组学联合分析的内容和对以前分析的纠偏，参考文章还是An atlas of epithelial cell states and plasticity in lung adenocarcinoma，2024年2月发表于nature(IF 64.8)。
其中大家以后不可避免的要接触这种组学分析，可能单细胞多一点，但是现在前沿的课题组基本上都是单细胞、空间、外显子组学的联合分析，其中细化的地方还有VDJ，宏基因组等。多组学的内容让我们看问题更加全面一点，基因表达只是表象、基因突变是根本，空间排布是微环境、VDJ是免疫反应，这几方面都已经讲了很多了，但是大家要明白一个深刻的道理，任何事情的发生都不是单一因素造成的，而是多因素联合的结果。
这里需要提醒大家一句，大家如果采用国产平台做单细胞空间分析的话，尽量选一些提供售后分析的公司，尤其空间组学，像我们这样的人分析10X居多，国产空间在智能化上还是不如10X的，需要一定的分析支持，大家需要注意这一点。
第一、我们先来谈取样策略
凡是能够把肿瘤问题研究明白的，取样的策略就需要提前布局，文章中的策略如上图，肿瘤区域、tumour-adjacent, tumourintermediate and tumour-distant locations。当然也有很多人说和nature不能比，但是最前沿的策略我们要知道，再根据自己的实际情况进行优化。
第二点，对批次的认知，我们都知道我们做单细胞空间都要进行去批次，其中空间还好，可以根据形态学进行判定，但是单细胞呢？ 以前的策略是不同组之间有差异、有交集就算是比较好的去批次效果，但是这是没有任何实际道理的，只是人为的一种判断，但是引入多组学，很多问题就变得非常明显，如下图：
如果仅以单细胞表达数据来判断，那么聚类几乎几乎是按照样本分开的，按照经验可以判定去批次失败，但是如果我们引入其他组学，比如外显子和一些临床信息，结果又会很简单明了。包括下面的情况：
引入驱动突变，自然会解决很大的问题。
对于外显子数据的引入，自然会加深生物学问题的认知，其中关于cytotrace的分析很早之前就讲过了，主要是用来分析细胞的分化潜力的，大家有空可以回顾一下。
第三点、单细胞轨迹引入多组学
以往的轨迹分析通常是分析不同分支的生物学功能，以及样本分布，如果引入其他组学，又会看到不一样的分析结果。
分析方法并没有变，只是融合了多组学信息，看到的内容很多都刷新了我们的认知，例如文章中两条路径共享一个中间状态的细胞群，这群细胞同时具有2型肺泡细胞特征和1型肺泡细胞的基因表达特征。更重要的是，研究者发现肺泡中间态细胞中一个亚群在肿瘤样本中显著富集，而且该亚群的细胞去分化水平显著升高，提示了这群细胞与肿瘤细胞的密切关系。由于KRT8基因高表达是这群细胞的显著特征之一，研究者将其命名为KACs
第四点、CNV的分析
这里也要注意，CNV不仅在单细胞空间上有很大的运用，在临床检测和用药推荐上也用处很大，相同的疾病不同的病人在检测CNV的时候也有很大的不同。那么把CNV和突变信息，单细胞信息联合在一起，又会有很多深入的理解。
文章中的CNV分析用的免疫细胞作为reference。
第五点，空间组学（10X 与 DSP）
为什么这两个空间组学最好，原因就在于数据和图片的灵活配对。华大目前还做不到这一点。
DSP
空间组学主要表征的是细胞的空间排布，也就是微环境，空间的细胞识别目前还是需要借助单细胞的力量实现，寻因的平台不知道能做到什么程度。
空间的邻域分析永远是不可或缺的一部分，To determine neighbouring cell composition for a specific cell population in Visium data, CytoSPACE was first applied to annotate every spot with the most probable cell type. Neighbouring spots were defined as the six spots surrounding each spot and, accordingly, the neighbouring cell composition for specific cell types were computed。
其中文章正是借助空间组学，发现KACs的特征基因在mRNA水平和蛋白质水平不仅在肿瘤细胞中升高，在肿瘤周围的毗邻组织中也升高，这一发现支持了研究假设：KACs可能作为一种“前体中间态细胞”，参与早期肺腺癌的发生和发展。
CytoSPACE的解卷积效果大家了解一下，相当不错。
空间形态学的注释也是大家需要学习的地方。
