為什么要做大型單細(xì)胞數(shù)據(jù)分析
因?yàn)閱渭?xì)胞數(shù)據(jù)在呈指數(shù)增長，遇到大數(shù)據(jù)集只是早晚的問題。曾經(jīng)我們困惑一個(gè)物種的基因組那么大，如果給很多物種都測基因組的話，拿什么來存儲這些數(shù)據(jù)？隨著單細(xì)胞技術(shù)的成熟，測序成本的下降，眼見單細(xì)胞數(shù)據(jù)通量將會呈現(xiàn)超指數(shù)增長。在bulk時(shí)代所幾十例轉(zhuǎn)錄組會覺得已經(jīng)做了很多了，而單細(xì)胞時(shí)代少則幾千大則百萬的數(shù)據(jù)量。我們不能怪時(shí)代太快，只能怪自己沒有做好心理準(zhǔn)備。
如今在生命科學(xué)研究范式里，有了數(shù)據(jù)驅(qū)動（data-driven）的選項(xiàng)。那么，什么是數(shù)據(jù)驅(qū)動的呢?這一概念源于現(xiàn)代技術(shù)的進(jìn)步，不斷帶來大量系統(tǒng)、全面和深入的數(shù)據(jù)。當(dāng)范式改變時(shí)，數(shù)據(jù)驅(qū)動新的科學(xué)發(fā)現(xiàn)，而不是相反。能夠利用現(xiàn)有數(shù)據(jù)的研究人員能夠挖掘出意想不到的、不可預(yù)測的關(guān)系和新知識。與此同時(shí)，計(jì)算能力、機(jī)器學(xué)習(xí)、人工智能和其他可用來處理這些數(shù)據(jù)的技術(shù)已經(jīng)顯著提高，并為那些成功將數(shù)據(jù)與自己的工作聯(lián)系起來的人提供了巨大的機(jī)會。
大型單細(xì)胞數(shù)據(jù)分析，涉及到多個(gè)dataset的處理，它往往即是科學(xué)上的也是工程上的，所以有一些項(xiàng)目管理的原則是適用的。如大型單細(xì)胞數(shù)據(jù)分析的周期/ 交付結(jié)果 等。而我們關(guān)注的是數(shù)據(jù)分析，在單細(xì)胞數(shù)據(jù)科學(xué)中有哪些策略來應(yīng)對大型單細(xì)胞數(shù)據(jù)分析呢？通?？梢圆捎玫募夹g(shù)有:
- 0, 降維
降維我們并不陌生，目前已經(jīng)廣泛地應(yīng)用到單細(xì)胞轉(zhuǎn)錄組的數(shù)據(jù)分析流程中了，如PCA。
- 1，并行化策略
越來越多的分析工具開始允許用戶適用多線程和并行化策略分析數(shù)據(jù)，如scenic的python版本以及Seurat的幾個(gè)消耗資源的函數(shù)。
- 2，downsample
當(dāng)我們明確了單細(xì)胞數(shù)據(jù)分析的基本單位是細(xì)胞亞群而不是單個(gè)細(xì)胞的時(shí)候，在數(shù)據(jù)分析以及可視化的過程中應(yīng)用downsample在一個(gè)亞群內(nèi)隨機(jī)取子集的策略就會顯得很自然了。特別是在繪制熱圖時(shí)。
- 3，pseudocell
同樣地，在某細(xì)胞亞群內(nèi)隨機(jī)選取小子集做基因表達(dá)量的平均，也是一個(gè)數(shù)據(jù)縮減的方法。其核心依然是：保留亞群內(nèi)均和亞群間差異，也即單細(xì)胞數(shù)據(jù)分析的基本單位是細(xì)胞亞群而不是單個(gè)細(xì)胞。
- 4，C++重寫算法
當(dāng)需要處理大型的矩陣時(shí)，如矩陣計(jì)算，轉(zhuǎn)置等，不用底層語言往往會把內(nèi)存吃完，特別是當(dāng)我們的數(shù)據(jù)中有很多零的時(shí)候。這時(shí)，會不會底層語言就顯得很重要了。
5，項(xiàng)目管理在數(shù)據(jù)分析中的應(yīng)用
大型單細(xì)胞數(shù)據(jù)分析，其涉及到的dataset更多，分析周期也比一般的小圖譜要長，所以需要一些數(shù)據(jù)管理的經(jīng)驗(yàn)。
本文所說大型單細(xì)胞其實(shí)只是細(xì)胞數(shù)比較多，20W+，而沒有涉及到單細(xì)胞多模態(tài)的數(shù)據(jù)分析。同時(shí)，數(shù)據(jù)分析的另一個(gè)趨勢：機(jī)器學(xué)習(xí)，也沒有提到。這并不代表它們不重要。
Svensson, V., Vento-Tormo, R. & Teichmann, S. Exponential scaling of single-cell RNA-seq in the past decade. Nat Protoc 13, 599–604 (2018). https://doi.org/10.1038/nprot.2017.149
https://www.scilifelab.se/data-driven
