单细胞测序的核心是根据基因表达水平预测细胞间的不同表达模式，从而揭示细胞/细胞群间的异质性。然而基因表达的高低，反映的是每个细胞中DNA/mRNA的变化，不能完全展现出细胞中复杂的代谢过程。
随着技术的发展，近几年已经出现一些针对单细胞代谢物的研究方法，包括高通量质谱、流式质谱等技术。但是，代谢物不能直接扩增，且同一代谢物在不同组织、不同时间的变化较大，使得面对海量单细胞测序数据时，代谢分析始终不能与高通量共话。因此，基于单细胞测序的代谢分析和研究，也成为众多研究人员的关注焦点。
1. scMetabolism介绍
scMetabolism[1]是复旦大学中山医院研发的一款基于单细胞水平量化代谢活性的软件，该软件基于常规单细胞矩阵文件，采用VISION算法对每个细胞进行评分，最终得到细胞在每一条代谢通路中的活性得分。
图1 scMetabolism 软件
2. scMetabolism分析
软件预置了人的代谢基因集，包括85条KEGG通路和82条REACTOME条目。若物种为大、小鼠等哺乳动物，可以通过同源转换后进行分析，其他物种也可选择合适的基因集进行代谢活性分析。
分析使用到的文件包括单细胞转录组数据和对应的代谢基因集，可以使用单细胞转录组的RDS文件和软件自带的代谢基因集。
2.1 代谢活性分析
首先，使用Vision[2]算法进行代谢打分计算得分。结果为打分均值统计表，average_KEGG_score表格的第一列为匹配到代谢基因集的代谢条目名称，每一列为不同分组的得分均值。
表1 不同分组KEGG代谢通路得分均值
根据得分绘制的average_KEGG_heatmap热图中，我们也可以初步了解不同分组中，哪些通路的代谢得分较高，以及关注条目的整体得分情况。
图2 不同分组得分均值热图示例
2.2 差异条目筛选
得到每个细胞的代谢得分后，我们使用bimod[3]检验方式进行差异分析，得到具有显著差异的通路，从而评估不同通路在不同组间的代谢活性高低，结果中top 10_KEGG_Significant_results.xls为显著差异的通路信息。
表2 top 10_KEGG_Significant_results.xls 表头说明
筛选得到的显著代谢通路，也可以进一步绘制热图和小提琴图，示例如下：
图2 不同分组得分均值热图和小提琴图示例
当然，软件也可以根据数据绘制气泡图、umap图等单细胞常见图片，更直观的从多个角度展示不同细胞群的代谢活性强弱。
基因组、转录组的多组学分析，已经被广泛应用于基础医学和系统生物学等研究。虽然单细胞水平代谢组学研究刚起步，我们相信，随着实验技术和分析方法的不断更新，单细胞代谢研究在全面医学诊断，尤其是肿瘤分析上，一定有更多突破性的进展。
如有相关需求的老师，关注“欧易生物”公众号，输入“客服”获取客服微信二维码吧~
参考文献
1. Wu Y, Yang S, Ma J, Chen Z, Song G, Rao D, Cheng Y, Huang S, Liu Y, Jiang S, Liu J, Huang X, Wang X, Qiu S, Xu J, Xi R, Bai F, Zhou J, Fan J, Zhang X, Gao Q. Spatiotemporal Immune Landscape of Colorectal Cancer Liver Metastasis at Single-Cell Level. Cancer Discov. 2021 Aug 20.
2. Detomaso D , Jones M G , Subramaniam M , et al. Functional interpretation of single cell similarity maps[J]. Nature Communications, 2019, 10.
3. Andrew M D , Greg F , Chattoopadyay P K , et al. Data exploration, quality control and testing in single-cell qPCR-based gene expression experiments[J]. Bioinformatics, 2013, 29(4):461-467.
欧易生物秉持着“以生物科技，成就他人，造福大众”的理念。为众多方向的研究学者提供持久可靠的科研助力。想要了解更多产品信息可拨打400-808-5350 或咨询驻地工程师，欢迎老师前来公司参观哦~
END
单细胞事业部 撰文
本文系欧易生物原创
转载请注明文本转自欧易生物