scRNA数据+bulk-RNA数据分析，生信发文强助攻！两者联合拿下6分+纯生信的硬实力！

 2023年过半了，你上车“单细胞”了吗？

“单细胞测序”刚出现的单独测序都能轻轻松松10分+，但受限于测序费用很高，样本制备比较复杂难度高，所以发文门槛也比较高。但现在随着技术的普及和费用的降低（ps：有些测序公司的单细胞测序价格已经降到了1万+/样本，后面会越来越便宜），相应地单细胞测序的门槛也会越来越低，后面利用单细胞数据发文章也会越来越多（ps：可能就像现在的转录组一样，成为测序文章的首选）。所以趁着单细胞分析热潮还没有卷的太厉害，有意向的小伙伴抓紧上车啦！

在小云这里，首推的还是省钱提分最优选——单细胞数据分析，无需自己测序，利用公共数据或者单细胞数据库来直接分析，目前它仍是生信文章发高分的强助攻，赶紧用起来吧！（ps：对单细胞数据分析相关生信思路感兴趣的小伙伴，可以点击文末链接或公众号搜索观看哦）

话不多说，直接看上实例！小云这次是以“T细胞”方向为例，带小伙伴们看看单细胞与bulk-RNA数据分析联合，在免疫方向生信中的提分效果。文章利用单细胞数据筛选T细胞亚群和标记基因，然后利用标记基因在bulk-RNA数据中建模并分析，纯生信就轻松拿下6分+的文章，创新性足足的！还是那句话，还在观望的小伙伴，看到这个思路心动的话就快行动起来吧！发文好时机可不等人哦~ ~ 

l 题目：单细胞RNA-seq和bulk RNA-seq的综合分析揭示了三阴性乳腺癌中T细胞相关的预后风险模型和肿瘤免疫微环境调节

l 影响因子：IF=6.698

l 发表时间：2023年5月

研究背景

三阴性乳腺癌(TNBC)是一种侵袭性和致命的恶性肿瘤。目前肿瘤免疫疗法的成功将注意力集中在中间T细胞亚群和肿瘤微环境上，这对于抗肿瘤反应的激活是必不可少的。因此，这两个领域都需要进一步的研究，以加快为TNBC患者开发量身定制的免疫治疗方法的进展。

数据来源

研究流程

基于单细胞数据集，使用多重策略来分析和鉴定TNBC的T细胞异质性，识别T细胞亚群的标记基因。通过结合bulk RNA数据，构建并验证了T细胞标记基因的预后风险模型。此外，使用CIBERSORT分析了TNBC的免疫浸润细胞，并研究了风险模型和对免疫疗法的反应之间的关联。

主要结果

1. TNBC中的细胞类型分析

GSE176078数据集的scRNA-seq数据在去除低质量细胞、标准化、整合和PCA之后，25932个细胞被分成14个簇（图1B），通过标记基因注释后确定了7种细胞类型（图1C），其中有4个簇被注释为T细胞类型。小提琴图和热图展示了7种细胞类型中top1和top10标记基因表达（图1 F, G）。然后根据文献中列出的T细胞亚型的标记基因，将T细胞群进一步分类和鉴定，被分为17个细胞簇，注释后确定为CD4+T和CD8+T亚群（图2A, B），特征图显示两种细胞类型中标记基因表达（图2D）。

  图1 TNBC中的细胞类型分析

图2 T细胞亚型细胞图谱

2. T细胞相关的细胞间通讯分析和拟时序分析

为了探索T细胞和其他细胞类型之间的细胞间通讯，使用R package Cellchat分析了不同细胞之间的配体-受体相互作用（图3A, B）。结果表明，配体-受体介导的细胞相互作用主要存在于MIF信号通路（图3C, D）。利用Monocle软件包进行T细胞拟时序分析，结果显示Monocle 2将T细胞分化大致分为7种分化状态，不同状态下分化成的CD4+T和CD8+T细胞2种亚型的含量不同（图4）。

图3 T细胞相关的细胞间通讯分析

图4 拟时序分析

3. 预后模型的构建和评估

从单细胞数据中选择1299个T细胞标记基因与METABRIC数据集的TNBC表达矩阵相交获得候选基因，再进行单变量Cox回归分析获得106个预后基因。然后进行Lasso（图5A）和多变量Cox回归分析（图5B），共得到4个独立预后基因(OPTN、TMEM176A、PKM和HES1)，并构建预后模型。根据风险评分，TNBC患者被分为低风险组或高风险组，进行KM生存分析并利用ROC曲线评估预测性能（图5 C,D）。（ps：Cox回归分析、Lasso回归分析、生存分析也可以用小云新开发的零代码生信分析小工具实现，云生信分析工具平台包含超多零代码小工具，上传数据一键出图，感兴趣的小伙伴欢迎来参观哟，网址：http://www.biocloudservice.com/home.html）。

图5 预后模型的建立和评估

4. TNBC与免疫细胞浸润和免疫检测点的相关性分析

首先基于METABRIC数据集，使用CIBERSORT算法分析肿瘤浸润性免疫亚群的比例，并比较高低风险组间的免疫细胞浸润差异（图6B），然后利用Estimate R包计算高风险和低风险患者间的免疫评分、基质评分、估计评分和肿瘤纯度差异（图6C）。最后又分析了高低风险组间的免疫检查点表达差异（图6D）。（ps：免疫浸润分析也可以用云生信平台分析工具实现哦，网址：http://www.biocloudservice.com/home.html，欢迎朋友们来探索~ ~）

图6 免疫浸润分析

文章小结

这篇文章在单细胞部分做的分析非常丰富和全面，整体篇幅占比较高，然后再利用单细胞数据分析得到的“T 细胞标记基因”进行预后模型构建和分析，两者联合大大提高了文章的创新性和竞争力，再加上免疫方向的热度，拿下6分+的纯生信还是相当简单的！用好单细胞数据，高分文章随你发，该出手时就出手吧！