pySCENIC转录因子分析结果解读

pySCENIC转录因子分析结果解读

1 单细胞转录组转录因子分析介绍:

TF (transcription factors, TFs)通过与DNA特定区域结合,促进或阻碍DNA的转录过程从而调控基因的表达。了解TF对于了解细胞功能及疾病进程等生命活动有重要意义。


attachments-2024-07-V8B0yRnS668cb6bfe29be.png

2017年11月,SCENIC发表于Nature Methods,作为主流的单细胞转录因子分析工具,SCENIC在单细胞转录组数据构建基因调控网络、转录因子分析以及细胞状态鉴定方面上表现优异。目前主要有R和python两个版本,支持分析人、小鼠和果蝇的数据。

1.1 pyscenic分析流程

attachments-2024-07-8XaBqyfg668cd123ce248.png

1.1.1 构建共表达网络

输入的数据是标准化的count矩阵(行是基因和列是细胞),从中找出TFs调节的基因构建共表达网络。GENIE3(随机森林)/GRNBoost(Gradient Boosting):基于共表达情况鉴定每个TF的潜在靶点,推断转录因子与候选靶基因之间的共表达模块。每个模块包含一个转录因子及其靶基因。

这个共表达网络只是基于TF和gene表达量相关性推测的,TF和gene之间是否现实存在调控关系还需要进一步验证。验证的方法主要从TF功能结构入手,从上图1我们可以看出,TF是通过直接与DNA结合而发挥作用的,因此我们可以通过反向查看gene上是否存在TF结合的motif序列来验证TF与gene的靶向关系。

1.1.2 motif富集分析

进行TF-motif富集分析,识别直接靶标。仅保留具有正确的上游调节子且显著富集的motif modules,并对它们进行过滤以除去缺乏motif支持的间接靶基因。这些处理后的每个TF及其潜在的直接targets genes被称作一个regulon。

由于上一步GENIE3只是推断共表达,因此会有假阳性和间接targets。使用RcisTarget基于DNA-motif分析识别具有正确上游调控子且显著富集的motif(转录因子直接结合的motif),修剪掉缺乏motif支持的间接靶标。修剪后的每个TF和其潜在的直接作用的target genes被称为为一个regulon。(这一步是SCENIC和其他大多数共表达算法的重要区别)

Regulon调控子:受同一个TF调控的一群基因的集合,即one Regulon = one TF + target genes

1.1.3 AUCell对每个细胞的每个regulon活性进行打分

对于一个regulon来说,比较细胞间的AUCell得分可以鉴定出哪种细胞有显著更高的sub network活性。

原理:AUCell基于基因集(Regulons中所有基因)打分,所得到的分数即为AUC(Area Under Curve)表示Regulons在细胞中的“活性”。打分过程是针对每个细胞,将细胞中所有基因按照表达量从高到低进行排序,根据Regulons中的基因在序列中的位置,计算累计曲线面积 (AUC)。

attachments-2024-07-lYgeDG5M668cb6dc120ff.png

1.1.4 AUCell分数二值化

由于不同regulons包含的基因不同,基于AUC值在所有细胞中的双峰分布特征,增加了Rgulons“on/off”的概念,认为双峰之间的低谷为判断Regulons活性开放的阈值,如果AUC值小于阈值,则判定为该Regulons在该细胞中未开放,即未发挥调控作用。进一步转化为二进制regulon活性矩阵(binarized activity matrix),这将最大化细胞类型的差异,确定regulon在哪些细胞中处于“开放”状态。

官方教程:pySCENIC — pySCENIC latest documentation

  • 发表于 2024-07-09 12:05
  • 阅读 ( 100 )
  • 分类:转录组

0 条评论

请先 登录 后评论
omicsgene
omicsgene

生物信息

674 篇文章

作家榜 »

  1. omicsgene 674 文章
  2. 安生水 335 文章
  3. Daitoue 167 文章
  4. 生物女学霸 120 文章
  5. 红橙子 78 文章
  6. CORNERSTONE 72 文章
  7. xun 71 文章
  8. rzx 71 文章