谁说单细胞工具一定要应用于单细胞数据呢

最近读文献， 看到了一个有意思的文章，发表在 Nat Commun . 2021 Jan 的文章：《Global computational alignment of tumor and cell line transcriptional profiles 》提到了一个工具，Cellinger，链接是：https://www.nature.com/articles/s41467-020-20294-x

本来呢，我是想介绍这个工具，Cellinger，他可以帮助我们挑选合适的癌症细胞系模型。但是我在读文献的过程，发现了另外一个有意思的点，就是把单细胞数据处理的各个工具算法，应用到了传统的转录组表达量矩阵，就是TCGA和CCLE的表达量矩阵。

开局一个TCGA和CCLE

• Large datasets such as The Cancer Genome Atlas (TCGA)   the multi-omic features of approximately 10,000 primary tumor biopsy samples
• the Cancer Cell Line Encyclopedia (CCLE)  more than 1,000 cancer cell lines.

下载方式，以及各个数据库的样本量，基因数量，都如下所示：

 

提到的xena数据库下载tcga的全部癌症样品的表达量矩阵，然后是DepMap数据库下载CCLE的全部表达矩阵，最后两个矩阵仅仅是取了蛋白编码基因。

接下来全部靠单细胞工具

材料和方法如下所示  :

 

大名鼎鼎的seurat无需我多介绍了，更新速度之快，咱们《单细胞天地》的主力小编周运来在《生信菜鸟团》单独开辟了一个专栏，都给它更新了两个月了：

（不要问我为什么《单细胞天地》的主力小编周运来为什么会在《生信菜鸟团》发笔记，而且还是由我在《生信技能树》公布这一新闻！）

另外，文献里面提到了MNN，其实来源于scran这个R包，而scran的介绍就比较少，我们介绍最多的是Cell cycle phase assignment功能，也就是推断细胞周期。要学好它，就是掌握使用scran包的SingleCellExperiment函数即可构建SingleCellExperiment对象。其实多个样本单细胞转录组数据整合算法以 mutual nearest neighbors (MNNs)和canonical correlation analysis (CCA) 最为出名，见 详细介绍多个单细胞转录组样本的数据整合之CCA-Seurat包 ，但是scran包的 mutual nearest neighbors (MNNs)方法中文介绍确实不多，而且我觉得其实主要就是读文档而已：https://bioconductor.org/packages/release/bioc/vignettes/scran/inst/doc/scran.html

起初表达矩阵的数据库批次效应肉眼可见

如下所示，TCGA和CCLE的表达量矩阵的差异非常大 ：

矫正批次效应前

a A 2D projection of combined, uncorrected cell line and tumor expression data using UMAP (n = 1,249 cell lines, n = 12,236 tumors).

单细胞工具整合两个数据集

使用scran包的 mutual nearest neighbors (MNNs)方法，整合了TCGA和CCLE的表达量矩阵后，可以看到这个时候两个数据库的差异基本上被抹平了，各个样品主要是按照癌症或者组织类型的差异来区分远近距离啦。

矫正批次效应后

Fig. 2 Celligner alignment of tumor and cell line samples. UMAP 2D projection of Celligner- aligned tumor and cell line expression data colored by annotated cancer lineage. The alignment includes 12,236 tumor samples and 1,249 cell lines, across 37 cancer types.

全部代码公开可以学习

https://github.com/broadinstitute/Celligner_ms

我看了看，文章里面的每个主图和附图的绘图方式都有，值得follow，如果你足够努力，甚至可以基于这个文献的代码开一个公众号，写个几百篇笔记！

学徒作业

开设自己的公众号，学习这篇文章的代码，尝试写自己的笔记，发出去第一个笔记后，把该笔记的链接或者你的公众号ID发给我，我的邮箱是 [e-mail]