时间线目录
视频一：讲解
0:00｜开场白，打算讲啥？
-
在跑代码的过程中讲代码的细节是干什么的
-
跑自己的数据需要准备什么文件
3. 怎么解读SCENIC的output结果
-
SCENIC算法
-
SEEK的用途
-
SCENIC的局限性
SCENIC是做什么的
1:45｜SCENIC的算法
图片
环境配置
9:30｜建议把重要的常用pipeline分开安装到不同的虚拟环境
代码讲解、结果解读及扩展思路
14:05｜对原文做pooling的看法
1. 逼不得已。当时用R版本的SCENIC，太慢；
2. 优点：可以尽量降低dropout的问题；
3. 前提：做pooling对结果的稳定性没有影响。
19:00｜从读入输入文件开始讲解代码做了啥，为什么这样做。
44:30｜获得gmt文件，无缝对接富集分析，挖掘公共数据
【扩展思路】把前面获得的regulon变成gmt文件，接下来就可以结合TCGA等公共数据，用regulon的high/low给样本分组，作为诊断指标，在更大的队列里验证单细胞的发现。
另外，我们展示富集分析结果的那些酷炫的FigureYa就可以用来展示单细胞regulon结果了。
47:40｜把regulon activity score连续值变为binary matrix
49:30｜降维
52:10｜Figure 1，秀数据
【扩展思路】哪些细胞更容易受微环境的影响
58:52｜Figure 2，代码讲解
计算cell type specific regulon
1:04:00｜Figure 2，结果解读
cutoff怎么选，选择的前提
1:06:40｜regulon的验证
1. 实验验证。
2. SEEK，怎样用这个网页工具看regulon结果是否靠谱。
【扩展思路】WGCNA找到的module，也可以用SEEK来验证。
1:27:15｜Figure 3，锦上添花
聚类，cell type correlation，regulon correlation
1:31:00｜热图中的层次聚类及其与module的对应关系
怎样选cutoff，怎样决定聚几类
1:39:15｜high correlated regulon是不是跟某些细胞相关
regulon对应的motif
评价
1:46:30｜SCENIC算法本身的局限性
1:52:15｜评价作者证明结论的策略
视频二：讨论
下面是小伙伴提问，Jarning分享自己的看法。
这里只列问题，先自己独立思考一下，再听视频找答案，效果更佳。
0:00｜怎样挑选有代表性的转录因子来展示？
1:30｜control和treat两组单细胞数据，可以利用每群细胞的差异基因的UMI作为输入，计算每群细胞差异基因的TF吗？
3:50｜seurat integration的多样本数据，建议用原始的counts还是整合后的数据呢？
5:00｜TFs、feather、tbl文件是固定的吗？在运行cellranger的时候使用hg19、GRCH38是否有不同的对应版本？另外feather好像有很多个，要怎么选呢？
8:05｜能不能顺便简单介绍一下cisTarget数据库里feather文件的内容？
8:16｜如果已经有差异基因了，有工具可以直接富集转录因子吗？
8:30｜本次的结果，跟scATACseq的整合，有什么建议么？
9:05｜pySCENIC前两步用raw count，最后一步算RAS的时候是不是用整合后的更好？
11:15｜数据整合的时候有时候需要去batch，老师刚才说用raw count的话，这里不知道batch怎么考虑？
12:15｜如果ATAC-seq + motif可以用ChIP-seq或ChIP-qPCR验证。那么单细胞转录组SCENIC怎样验证呢？
15:50｜如果只是看单细胞的不同分组间的特异的TF，是不是SCENIC官方给的教程就可以？
17:00｜怎么比较同一亚群细胞不同来源（control和treat）TF的差异？
21:20｜怎样在AUC计算时加入control和treat信息？
23:30｜后面差异的处理步骤，能否再加一个脚本教程？
【扩展思路】
24:25｜我对SCENIC的理解就是定义gene set，这个gene set有调控关系，无缝嫁接到GSVA分析。
28:40｜例文中的tSNE的图完全可以像免疫浸润那样，用box plot来展示，更重要的是你想要show什么样的信息，来选择合适的展示方式。
30:40｜感觉是做单细胞的共表达？
共表达只是相关性，step 1就解决了。
SCENIC的价值在于找到调控关系，有调控就有机制。
【扩展思路】可以看regulon在物种间的保守程度、比较disease在mouse model跟disease的相似性。
33:55｜我尝试过用SCENIC的结果和原始表达矩阵分别做聚类，得到的分群很相似的
34:25｜这么多代码从头复现，怎么做到的啊哈哈，可以分享下经验吗？
37:30｜分享一个我特别喜欢的算法cNMF
处理单细胞数据时给你很多意想不到的结果，寻找基因表达网络signature，有非常好的效果。
不依赖聚类结果，去除batch effect。
网友评论