scRNA-seq表达矩阵的构建

Original 温柔的坚果绷带单细胞天地 2022-06-07

收录于合集 #书籍翻译 16个

书籍翻译

好的书籍是人类进步的阶梯，但有些人却找不到优秀的阶梯，为此我们开设了书籍翻译这个栏目，作为你学习之路的指路明灯；分享国内外优秀书籍，弘扬分享精神，做一个知识的传播者。

希望大家能有所收获！

⊙引言—关于课程

⊙scRNA-seq简介

⊙scRNA-seq原始数据的质控

⊙scRNA-seq数据处理—文件格式小结

⊙scRNA-seq数据处理—demultiplexing

⊙scRNA-seq数据的处理—STAR

⊙scRNA-seq数据处理—Kallisto

正

文

表达矩阵的构建

scRNA-seq数据的许多分析以表达矩阵为起点。按照惯例，表达矩阵的每一行代表一个基因，每列代表一个细胞（尽管一些作者使用转置矩阵）。每个条目代表给定细胞中特定基因的表达水平。基因表达的测量单位取决于protocol和使用的一般方式。

4.1 reads QC

scRNA-seq实验的结果是大量的cDNA reads的集合。第一步是确保reads具有高质量。可以使用一些常规工具（如FastQC或Kraken）执行质量控制。

假设我们的reads位于experiment.bam中，我们将运行FastQC

$<path_to_fastQC>/fastQC experiment.bam

下面是FastQC输出125 bp reads数据集的示例。该图显示了一个技术错误，导致几个碱基无法在read中心无法正确读取。但是，由于读取的其余部分质量很高，因此该错误很可能对比对效率的影响可以忽略不计。

此外，使用Integrative Genomics Browser（IGV）或SeqMonk对数据进行可视化通常很有帮助。

4.2 reads比对

在从读数中trim掉低质量碱基后，可以将剩余序列比对到参考基因组。同样，不需要特殊的方法，因此我们可以使用STAR或TopHat比对工具。对于有良好注释基因组的生物（例如小鼠，人）的全转录数据集，伪比对方法（例如Kallisto，Salmon）可能优于常规比对。对于具有数十或数十万个reads的基于drop-seq的数据集，伪比对可能更有效，因为它们的运行时间可能比传统的比对工具低几个数量级。

使用STAR来比对reads.bam的例子：

$<path_to_STAR>/STAR --runThreadN 1 --runMode alignReads
--readFilesIn reads1.fq.gz reads2.fq.gz --readFilesCommand zcat --genomeDir <path>
--parametersFiles FileOfMoreParameters.txt --outFileNamePrefix <outpath>/output

注意，如果使用spike-ins，参考序列应该与所述的DNA序列spike-ins在比对之前的分子。

请注意，使用UMI时，应从读取序列中删除其barcode。通常的做法是将barcode添加到read名称上。

一旦将每个细胞的reads比对到参考基因组，我们需要确保每个细胞的足够数量的reads可以比对到参考基因组。根据我们的经验，小鼠或人类细胞的可比对的reads比例为60-70％。但是，此结果可能会因protocol，reads长度和reads比对的设置而异。一般来说，我们希望所有细胞都具有相似的比对的reads部分，因此应检查并可能删除任何异常值。低比例的可比对reads通常意味着污染。

如何使用Salmon量化表达的一个例子是

$<path_to_Salmon>/salmon quant -i salmon_transcript_index -1 reads1.fq.gz -2 reads2.fq.gz -p #threads -l A -g genome.gtf --seqBias --gcBias --posBias

注意 Salmon根据我们的经验产生估计reads数和估计的每百万转录数（tpm），后者用于校正scRNASeq的长基因的表达，因此我们建议使用reads数。

4.3 比对例子

下面的直方图显示了scRNA-seq实验中映射到每个细胞的读数总数。每个条形代表一个细胞，它们按照每个细胞的总读数按升序排序。三个红色箭头表示在覆盖范围方面为异常值的细胞，应将其从进一步分析中删除。两个黄色箭头指向具有令人惊讶的大量未映射读数的细胞。在该实施例中，我们在比对QC步骤期间保持细胞，但是由于核糖体RNA读取的高比例，它们随后在细胞QC期间被去除

4.4 对比QC

在将原始测序映射到基因组后，我们需要评估映射的质量。有许多方法可以测量绘图质量，包括：映射到rRNA / tRNA的读数量，独特映射读数的比例，跨剪接点的读数映射，沿着转录本的读取深度。为大量RNA-seq开发的方法，如RSeQC，适用于单细胞数据：

python <RSeQCpath>/geneBody_coverage.py -i input.bam -r genome.bed -o output.txt
python <RSeQCpath>/bam_stat.py -i input.bam -r genome.bed -o output.txt
python <RSeQCpath>/split_bam.py -i input.bam -r rRNAmask.bed -o output.txt

然而，预期结果将取决于实验方案，例如许多scRNA-seq方法使用poly-A选择以避免对rRNA进行测序，这导致跨基因的读取覆盖中的3'偏差（也称为基因体覆盖）。下图显示了这个3'偏差以及三个单元格，它们是异常值并从数据集中删除：

4.5 reads量化

下一步是量化每个细胞的每个基因的表达水平。对于mRNA数据，我们可以使用为大量RNA-seq数据开发的工具之一，例如HT-seq或FeatureCounts

# include multimapping
<featureCounts_path>/featureCounts -O -M -Q 30 -p -a genome.gtf -o outputfile input.bam
# exclude multimapping
<featureCounts_path>/featureCounts -Q 30 -p -a genome.gtf -o outputfile input.bam

独特的分子标识符（UMI）使得计算分子的绝对数量成为可能，并且它们已被证明在scRNA-seq中很受欢迎。我们将在下一章讨论如何处理UMI。

4.6 独特的分子标识符（UMI）

感谢EMBL Monterotondo的 Andreas Buness 在本节的合作。

4.6.1 简介

独特的分子标记是在反转录过程中添加到转录本中的短（4-10bp）随机条形码。它们使测序读数能够分配到单个转录物分子，从而从scRNASeq数据中去除扩增噪声和偏差。

当对包含UMI的数据进行排序时，使用技术仅对包含UMI（通常为3'末端）的转录本的末端进行特异性测序。

4.6.2 比对barcode

由于独特的条形码数量（4N,其中N是UMI的长度）远小于每个细胞的分子总数（~106），每个条形码通常被分配给多个转录本。因此，为了识别独特的分子，必须使用条形码和映射位置（转录物）。第一步是映射UMI读数，我们建议使用STAR，因为它很快并输出高质量的BAM比对。此外，映射位置可用于例如。识别记录不良的3'UTR成绩单。

UMI测序通常由配对末端读数组成，其中每对读取一个读取细胞和UMI条形码，而另一个读取包含来自转录物的外显子序列（图4.5）。注意，建议修剪和/或过滤以去除含有poly-A序列的读段，以避免由于这些读取映射到具有内部poly-A / poly-T序列的基因/转录物而导致的错误。

处理UMI实验中的读取后，通常使用以下约定：