Phenotypic variation of transcriptomic cell types in mouse motor cortex

科学问题：目前对于大脑皮层神经元的研究并没有同时检测神经元转录组和电生理的特征。
技术手段：使用新技术Patch-seq，同时结合膜片箝技术，生物素标记和单细胞转录组手段来检测了超过1300个成年小鼠初级运动皮层。
科学发现：新皮层的神经元类型在转录组水平和电生理特征上并非离散的实体，相反，来自不同分支的神经元能够形成连续相关的转录组特征和电生理特征。
证明过程:

1.Patch-seq of mouse primary motor cortex
主要是数据呈现。Patchseq和scRNA-seq的数据

Screenshot 2020-12-24 101957.png
2.Distinct phenotypes of major families
两个维度的数据的展现方式很值得学习。
探究是否能够从基因表达水平来预测电生理的表型。我们首先关注17个电生理特征，并使用稀疏降秩回归，这是一种基于从稀疏基因选择计算出的低维潜在空间表征来预测放电特性的技术。我们使用交叉验证来调整正则化强度(扩展数据图5)。选择的模型使用了25个具有5维潜在空间的基因，获得了交叉验证的r2为0.38。前3个主成分能够分成5个主要的神经元类型。

Screenshot 2020-12-24 102859.png

分别从电生理特征和形态学特征来聚类细胞，并且合并两个特征进行分类。转录组鉴别出的神经元大类具有不同的电生理和形态学特征。

Screenshot 2020-12-24 104104.png

3.Continuous phenotypic variation
在单个转录组家族中，形态电表型很少形成孤立的簇。此外，我们经常发现形态电生理表型从一种t型持续变化到另一种t型。
将检测的细胞类型投影到scRNA-seq的数据，并且展示电生理的特征。
计算RNA distance和Electrophysiological distance

Screenshot 2020-12-24 104521.png

4.Variability in individual t-types
为了研究个体t型的形态电表型，我们测量了它们与各自转录组家族一致的程度。
使用电生理特征测量每个t类型的归一化总方差，并将其与通过k-means聚类(k设置为t类型的数量)得到的表型簇的归一化总方差进行比较。这里的基本原理是，k-means聚类的方差将反映在我们的数据集中可获得的最小的可能方差。远远高于聚类方差的值表明在一个t型内具有重要的表型变异。

Screenshot 2020-12-24 105901.png

总结
1.文章整体思路很清晰，主要是神经元的单细胞转录组、形态学、电生理三个主要特征的比较，多种技术多个维度的融合，所以能发nature，但是生物学问题是偏弱的。
2.从整体图谱的绘制，到转录组和电生理的统一性，再到细胞类型间的比较，再到细胞类型内的比较，再到更细尺度的细胞类型内比较，思路清晰，层层递进。
3.生信方法学上，两个尺度的可预测性的图2和方差一致性的图5非常值得参考。