單細胞測序數據的差異表達分析方法總結

無論是傳統的多細胞轉錄組測序（bulk RNA-seq）還是單細胞轉錄組測序（scRNA-seq），差異表達分析（differential expression analysis）是比較兩組不同樣本基因表達異同的基本方法，可獲得一組樣本相對於另一組樣本表達顯著上調（up-regulated）和下調的基因（down-regulated），從而可進一步研究這些差異表達基因的功能，包括富集的通路（pathway）或生物學過程（biological process）。

 

由於單細胞測序技術的局限性，單細胞測序數據通常具有高噪音，有較高的dropout問題，即很多低表達或中度表達的基因無法有效檢測到。所以，以前針對傳統多細胞轉錄組測序數據開發的差異表達檢測方法或軟件不一定完全適用於單細胞測序數據。若想比較不同細胞亞型或不同條件下的細胞表達差異時，為了能得到可靠的結果，需要選定一個好的差異表達分析方法（微信公眾號：AIPuFuBio）。

 

近年來，有不少專門針對單細胞轉錄組測序數據的差異表達分析方法相繼被開發出來，如MAST (Finak et al., 2015)、SCDE (Kharchenko et al., 2014)、 DEsingle (Miao et al., 2018)、 Census (Qiu et al., 2017)、 BCseq (Chen and Zheng, 2018)等。具體可以見下表所示：

紅線上方是專門針對單細胞測序數據開發的差異表達分析軟件或R包，紅色下方是針對bulk轉錄組數據開發的軟件或R包

 

 

圖1、一些比較流行的差異表達分析軟件（Chen et al. Frontiers in Genetics, 2019） 

這里要值得提一下SCDE（全名：Single Cell Differential Expression）軟件，其屬於最早一批專門針對單細胞測序數據開發的差異表達分析軟件，地址為： https://hms-dbmi.github.io/scde/。下圖是原文章中SCDE與其他傳統差異表達分析軟件的性能比較，顯示SCDE具有不錯的性能。

 

圖2、SCDE與其他軟件在單細胞測序數據集上鑒定差異表達基因的性能比較（Kharchenko et al. Nature Methods, 2014）


最近，Wang et al.等人比較了11款經典的軟件在單細胞測序測序數據集上的差異表達分析性能，這些軟件具體如下表所示：

圖3、不同差異表達軟件的相關信息（Wang et al. BMC Bioinformatics, 2019）

圖4、不同差異表達軟件ROC曲線比較（ Wang et al. BMC Bioinformatics, 2019）

圖5、不同差異表達軟件各主要指標的比較（ Wang et al. BMC Bioinformatics, 2019）

 

圖6、不同差異表達軟件之間在真實數據集上檢測到的差異表達基因比較（ Wang et al. BMC Bioinformatics, 2019）。差異表達基因的定義為：adjusted p-value< 0.05

 

圖7、樣本數量對不同差異表達軟件各方面性能的影響比較（ Wang et al. BMC Bioinformatics, 2019）

 

圖8、不同差異表達軟件鑒定到的top 300個差異表達基因富集的顯著KEGG通路數和GO條目數比較（ Wang et al. BMC Bioinformatics, 2019） 。（條件：FDR<0.05）


總的來說，不同的差異表達軟件有不同的優缺點。有些軟件具有高靈敏性，但檢測精度卻比較低，有些則剛好相反。這11款軟件中，DEsingle 和SigEMD這兩個方法較好的平衡了差異表達基因檢測靈敏性和准確性。值得注意的是，Wang et al. 的比較發現，現在這些專門針對單細胞測序數據開發的差異表達分析軟件和傳統的方法相比，並沒有顯示出太多的優勢（ Wang et al. BMC Bioinformatics, 2019）。這也進一步說明，還需不斷開發新的單細胞測序差異表達分析方法，以更好的檢測單細胞測序數據的差異表達基因。（更多經典，可見大型免費綜合生物信息學資源和工具平台AIPuFu：www.aipufu.com）。筆者建議，做單細胞測序數據的差異表達分析，最好還是選擇專門針對單細胞測序數據開發的軟件，如SCDE、DEsingle 和SigEMD等。

希望今天的內容對大家有用哦，會持續更新的，歡迎留言~~


參考文獻

1. Chen et al. Single-Cell RNA-Seq Technologies and Related Computational Data Analysis，Frontiers in Genetics, 2019

2. Wang et al. Comparative analysis of differential gene expression analysis tools for single-cell RNA sequencing data, BMC Bioinformatics, 2019

3. Kharchenko et al. Bayesian approach to single-cell differential expression analysis, Nature Methods, 2014