自己没有测bulk转录组数据难道不会找公共数据吗

这样就非常好的应用到了单细胞技术的优点，但有粉丝留言提问说自己设计单细胞转录组课题比较早，那个时候没有看到这个 2021 年1月4日，中国医学科学院北京协和医学院朱兰及中国科学院北京基因组研究所杨运桂共同通讯在Nature Communications 在线发表题为“Single-cell transcriptome profiling of the vaginal wall in women with severe anterior vaginal prolapse”的研究论文。但是也很喜欢这个分析图表，该肿么办！

其实完全没有必要犯难啊，大把的公共数据库等你使用呢，这个文章是因为做的疾病比较小众，vaginal wall 说实话我也是看了研究论文才知道有这疾病。如果你就是很普通的癌症数据研究，比如TCGA的系列癌症:

  • Study_AbbreviationStudy_Name
  • ACCAdrenocortical_carcinoma
  • BLCABladder_Urothelial_Carcinoma
  • BRCABreast_invasive_carcinoma
  • CESCCervical_squamous_cell_carcinoma_and_endocervical_adenocarcinoma
  • CHOLCholangiocarcinoma
  • COADColon_adenocarcinoma
  • DLBCLymphoid_Neoplasm_Diffuse_Large_B-cell_Lymphoma
  • ESCAEsophageal_carcinoma
  • GBMGlioblastoma_multiforme
  • HNSCHead_and_Neck_squamous_cell_carcinoma
  • KICHKidney_Chromophobe
  • KIRCKidney_renal_clear_cell_carcinoma
  • KIRPKidney_renal_papillary_cell_carcinoma
  • LAMLAcute_Myeloid_Leukemia
  • LGGBrain_Lower_Grade_Glioma
  • LIHCLiver_hepatocellular_carcinoma
  • LUADLung_adenocarcinoma
  • LUSCLung_squamous_cell_carcinoma
  • MESOMesothelioma
  • OVOvarian_serous_cystadenocarcinoma
  • PAADPancreatic_adenocarcinoma
  • PCPGPheochromocytoma_and_Paraganglioma
  • PRADProstate_adenocarcinoma
  • READRectum_adenocarcinoma
  • SARCSarcoma
  • SKCMSkin_Cutaneous_Melanoma
  • STADStomach_adenocarcinoma
  • TGCTTesticular_Germ_Cell_Tumors
  • THCAThyroid_carcinoma
  • THYMThymoma
  • UCECUterine_Corpus_Endometrial_Carcinoma
  • UCSUterine_Carcinosarcoma
  • UVMUveal_Melanoma

或者其它热门的非肿瘤疾病，比如神经退行性疾病，免疫相关疾病，心血管等等。为了解决粉丝的这个问题，我可以搜索了一个例子，就是发表在PNAS杂志的2020年10月文章：《Single-nucleus transcriptome analysis reveals dysregulation of angiogenic endothelial cells and neuroprotective glia in Alzheimer’s disease》，链接是：https://www.pnas.org/content/117/41/25800

首先这个研究的10X样品来源于2个分组：AD patients and healthy normal control (NC) ， 是 21 prefrontal cortex tissue samples from patients with AD (n = 12) and NC subjects (n = 9) 细胞数量是：We sampled 169,496 nuclei: 90,713 and 78,783 nuclei from AD and NC brain samples, respectively.

普通的质控降维聚类分群和细胞亚群的生物学注释这样的分析是比较简单的，可以看看我们前面的例子：人人都能学会的单细胞聚类分群注释  。重要的细胞亚群如下所示：

  • astrocytes (AQP4+, 11.9 ± 1.4% of total nuclei),
  • endothelial cells (CLDN5+, 2.3 ± 0.5%),
  • excitatory neurons (CAMK2A+, 45.2 ± 1.7%),
  • inhibitory neurons (GAD1+, 14.1 ± 0.9%),
  • microglia (C3+, 4.7 ± 0.6%),
  • oligodendrocytes (MBP+, 21.8 ± 2.5%)

这个时候，研究者就把不同的细胞亚群，在AD (n = 12) and NC subjects (n = 9) 组进行差异分析。

使用公共数据

这个时候作者并没有自己做bulk转录组数据，来看具体的细胞亚群差异在bulk时代的表现，而是 使用了  https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE33000 这个数据集。who performed bulk transcriptome microarray analysis of prefrontal cortical tissues in a large cohort (AD: n = 310; NC: n = 157)   .

以及 microarray dataset of AD temporal cortical samples from Webster et al. (GEO accession no. GSE15222)

有意思的是，这两个公共数据的芯片平台都不简单，后面这个是 Sentrix HumanRef-8 Expression BeadChip ，前面那个是Rosetta/Merck Human 44k 1.1 microarray ，一般人想分析它还是有一点难度的。

反而是单细胞数据分析比较简单了

大家可以下载 GSE157827_RAW 这个 1.3G的文件，里面是 AD (n = 12) and NC subjects (n = 9) 的10X单细胞转录组数据结果，可以走Seurat流程，看看能重复出来多少个文章的图表哈！

赞 (0)

相关推荐