今天分享另外一篇关于小鼠的全组织单细胞图谱。它是由来自美国斯坦福大学的一个研究团队组建了一个名为Tabula Muris的小鼠细胞信息的开源数据库（网址：https://tabula-muris.ds.czbiohub.org/）。标题为“Single-cell transcriptomics of 20 mouse organs creates a Tabula Muris”的论文中。
Single-cell transcriptomics of 20 mouse organs creates a Tabula Muris
为此，他们使用两种方法从20种小鼠器官中分离出10万多个细胞。第一种方法称为荧光激活细胞分选（FACS），用于分离44949个细胞，而第二种称为微流体液滴技术的方法用于分离另外的55656个细胞。所以加起来，总共获得了100,605个细胞（图1a）。图1b和c展示2种方法每种组织获得的细胞数目。
图1
对不同方法获得各个组织数据进行了单独聚类和注释（Extended Data Fig. 1 和2）。发现能发现一些新的细胞类型。比如成年胰腺中的Neurog3，Hhex，Prss53基因等，可能具有新的作用。
Extended Data Fig. 1 | FACS方法获得每个组织的cell数目和t-SNE图
Extended Data Fig. 2 | 微流滴方法获得每个组织的cell数目和t-SNE图
然后，作者把FACS获得的细胞进行了聚类分析，共获得了54个cluster（Extended Data Fig. 8），注释得到了25个不同的细胞类型（图2）。
Extended Data Fig. 8 | FACS获得cell的t-SNE聚类图
图2
和预期的一样，不同组织器官的细胞望望混在一起。54个cluster中的25个都至少包含了不同器官的至少5个细胞（图3）。比如cluster 3和48都包含了超过五种器官的内皮细胞，cluster 1和24包含了至少4个器官的基质和间质细胞。cluster 2包含了来自脂肪，骨骼肌，肺，脾脏，骨髓和肝脏的b细胞，以及胸腺，心脏和骨骼肌的白细胞和淋巴细胞。这说明细胞类型对基因表达的影响强于样品处理或解离方案的差异。
图3
接着作者对于每个cluster进行聚类分析。因为作者觉得虽然降维聚类使得相似的细胞类型聚到了一起，但是可能在一定的分辨率条件下，有些真正差异的cell，不足以区分开。所以作者计算了每个cluster的heterogeneity score来评估一些cluster聚类的准确性。从Extended Data Fig. 9 可以看出cluster 53还是明显可以两个不同的子cluster的。
Extended Data Fig. 9 | Metrics of cluster heterogeneity
为了比较不同组织相同细胞类型，随后作者以T细胞为例，做了进一步的分析。聚类得到5个cluster，根据marker基因做了一下注释。cluster 0包含那些经历VDJ重排的胸腺细胞，而cluster 2包含那些表达IL2受体的非胸腺T细胞，表明它们被激活。
图4
一般情况下，我们定义不同细胞类型的目的是为了理解背后的调控网络。所以作者试图探索转录因子在细胞类型鉴定中的贡献。作者使用了数据中检测到的1016个转录因子，通过对每个细胞群这些转录因子的基因表达矩阵进行相关性聚类（图5a），结果和使用所有基因做聚类得到的树状图(Extended Data Fig. 10a)差别不大，提示表明转录因子表达可以大致定义细胞类型。而在用细胞表面标志物或RNA剪接因子来重复此分析时，发现情况并非如此，表明转录因子能够更好地确定细胞类型。
随后作者通过器官之间的共有细胞类型的相关性分析计算了器官特有的转录因子，例如上皮细胞、内皮细胞、B细胞和T细胞等（图5b-e）。为了探究哪种转录因子对注释细胞类型最有帮助，作者通过随机森林模型进行了变量选择，得到同时定义不同脏器所有细胞类型的136个转录因子（图5f）。随后作者用同样的方法定义了可以区分某个细胞类型和其他细胞的转录因子集，结果发现，对于某些细胞类型，如肝细胞、卫星细胞和少突胶质细胞，其中某些重编程因子是区分细胞类型的首要变量（图5g-i）。
图5
Extended Data Fig. 10 | Contribution of transcription factors to cellidentity
网友评论