pySCENIC 軟件分析原理

1. 利用GENIE3算法識(shí)別與轉(zhuǎn)錄因子共表達(dá)的基因集合，但結(jié)果包含大量的假陽性結(jié)果和間接靶標(biāo)；

2. RcisTarget通過基序富集分析來排除假陽性和間接靶標(biāo)。排除標(biāo)準(zhǔn)：基因的啟動(dòng)子或增強(qiáng)子區(qū)域沒有該TF的結(jié)合位點(diǎn)；基因攜帶該TF基序的比例不顯著高于背景基因；

3. 通過AUCell算法對(duì)調(diào)控子(regulon)的整體活性進(jìn)行打分，即一個(gè)細(xì)胞里調(diào)控子包含的很多基因都高表達(dá)，那么這個(gè)調(diào)控子的活性得分就高。后續(xù)可基于此，識(shí)別不同的細(xì)胞類型與狀態(tài)

代碼

#1. GRN 
pyscenic grn --num_workers 10 \
    --sparse \
    --method grnboost2 \
    --output sce.adj.csv \
    sce.loom \
    ./hs_hgnc_tfs.txt 

#2. RcisTarget
pyscenic ctx --num_workers 10 \
    --output sce.regulons.csv \
    --expression_mtx_fname sce.loom \
    --all_modules \
    --mask_dropouts \
    --mode "dask_multiprocessing" \
    --min_genes 10 \
    --annotations_fname ../motifs-v9-nr.hgnc-m0.001-o0.0.tbl \
    sce.adj.csv \
    ./hg38__refseq-r80__10kb_up_and_down_tss.mc9nr.genes_vs_motifs.rankings.feather

#3. AUCell
pyscenic aucell --num_workers 3 \
    --output sce_SCENIC.loom \
    sce.loom \
    sce.regulons.csv

輸出結(jié)果文件

第二步和第三步輸出的結(jié)果都有用，先看第二步輸出的結(jié)果文件sce.regulons.csv

image.png

關(guān)鍵列：TF，NES，TargetGenes

后續(xù)可做的分析：

• 靶基因功能富集分析
• 構(gòu)建TF-靶基因調(diào)控網(wǎng)絡(luò)(Cytoscape)
• 篩選核心調(diào)控因子（計(jì)算每個(gè)TF調(diào)控的靶基因數(shù)量→數(shù)量排序→結(jié)合NES篩選可靠的hub-TFs）
• 跨細(xì)胞類型/疾病的比較分析（共同激活的YFs或靶基因）
• TFs調(diào)控差異基因

第三步輸出的結(jié)果sce_SCENIC.loom

image.png

數(shù)值是每個(gè)細(xì)胞中每個(gè)TF的活性分?jǐn)?shù)

后續(xù)可做的分析：

• TF活性可視化（UMAP; vlnplot; heatmap）
• 細(xì)胞類型特異性分析（RSS分析：計(jì)算每個(gè)regulon對(duì)每種細(xì)胞亞群的特異性得分→ 每個(gè)細(xì)胞亞群的主導(dǎo)TF regulon）
• 擬時(shí)序動(dòng)態(tài)分析
• TF共調(diào)控網(wǎng)絡(luò)分析（CSI矩陣+重聚類）
• TF在細(xì)胞周期階段的分析
• 與表型/臨床信息關(guān)聯(lián)
• 高/低TF活性組的差異表達(dá)分析