随着09年单细胞转录组技术的现世，使得科研精度从组织转变为单个细胞的层面。10XGenomics单细胞转录组技术作为其中目前来说最为大火的技术，对于细胞发育、肿瘤异质性以及细胞图谱等等方面的研究发挥着越来越重要的作用。
X Genomics 一次测序可以捕捉 100-80，000个细胞 ，具有极高的细胞通量。单细胞的测序通量平均也在 50，000 reads/per cell 左右，而如果使用细胞核进行测序则平均通量为 25，000 reads/per nuclei。比起使用FACS进行细胞分选的单细胞测序技术而言，10X Genomics的细胞通量有显著的提高。
单细胞测序的数据可以结合CHIP-seq的对转录因子的鉴定或者survey对染色体状态的研究，以得到更完善的基因表达的信息。 文章利用10xGenomics scRNA-seq技术优化了一个方案，生成了玉米穗花序发育的高分辨率转录组图谱，进一步构建了转录调控网络，并确立与玉米穗产量性状相关的候选基因。
单细胞 RNA 测序（Single cell RNA sequencing，scRNA-seq）是一种在单细胞水平上利用 RNA 测序对特定细胞群体进行基因表达谱定量的高通量实验技术。待测组织经过单细胞分离、RNA 提取、逆转录、文库构建和测序，便可利用数据分析获得多个细胞的基因表达谱。
scRNA-seq 技术的进步让研究人员能够获取之前经常会被大量（Bulk）细胞的RNA-seq方法所掩盖的关键数据，如罕见或新的细胞类型，从而在单细胞水平上探索真正的基因表达多样性（图1）。 然而，为了充分利用这种革命性的技术，必须妥善地制备单细胞样本。
Etienne Becht等人2019年在Nature Biotechnology上发表一篇文章将其应用在生物学数据上并阐述了UMAP在处理单细胞数据方面的应用和优势。 如果你不知道tSNE是什么，它是如何工作的，也没有读过2008年的革命性的van der Maaten & Hinton原稿，可以参考我的那文章 10X单细胞（10X空间转录组）降维分析之tSNE（算法基础知识） 。
X Genomics提供的空间转录组数据和单细胞数据联合分析主要涉及以下几种主流方法：共表达分析：使用共表达网络分析（WGCNA）或其他相关性分析方法，识别在不同细胞类型或组织区域中共同表达的基因。空间映射和细胞类型注释：使用单细胞数据对空间转录组数据中的细胞进行类型注释。
例如， BayesSpace（ 大家可以参考文章 10X空间转录组聚类分析之BayesSpace算法聚类 ） 是一种贝叶斯统计方法， 它通过在先验中引入空间相邻结构来鼓励相邻点属于同一cluster。
在单细胞转录组的降维方法中，PCA和UMAP是两个备受瞩目的工具。PCA，就像医学术语中的“预处理”，通过线性降维，去除噪声，通常保留10到30个维度。尽管丢失了一些信息，但这些维度组合起来足以描绘单细胞数据的内在结构。
通过对小鼠出生后follicle发育关键时间点的单细胞和空间转录组测序，发现ovarian基质细胞不仅是构成 ovarian的主要细胞群之一，其细胞群和空间位置也与follicle发育密切相关 。通过对 细胞通讯的分析发现， ovarian基质细胞是细胞间通讯的主要传递者，它们发出的许多信号被颗粒细胞和卵母细胞接收，参与follicle发育。
所有高维数据的分析都是采取降维的方式从多维到低纬的策略，之后还可以再次降维成2个维度并可视化（比如TSNE和UMAP）。我们对peaks是采取LSI降维的方式。与单细胞转录组类似，降维后的单细胞ATAC数据也同样可以采取graph-based clustering的分群方法。
单细胞CNV分析方法 inferCNV inferCNV[1]是由Broad机构开发的比较权威的单细胞CNV分析工具，其分析思路为：在整个基因组范围内，将每个肿瘤细胞基因表达与平均表达或“正常”参考细胞基因表达对比，通过热图的形式展示每条染色体上的基因相对表达量。
inferCNV的使用需要三个文件：基因在染色体上的位置信息文件，细胞类型文件，以及单细胞表达矩阵文件。基因在染色体上的位置信息文件第一列为gene symbol名称，第二列是染色体号，后两列是基因的始末位置，制表符分隔。
在统计学上，CopyKAT将贝叶斯方法与层次聚类相结合，计算单个细胞的基因组拷贝数分布，并从高通量单细胞转录组数据中定义克隆子结构。 首先，单细胞转录组数据的Unique Molecular Identifier（UMI）的基因表达矩阵作为CopyKAT的输入，通过它们的基因组坐标对它们进行排序，并对基因的排列进行注释。
1、建库测序和拆库定量，这两部分的成本其实主要考虑的是NGS的成本，而这部分想要降低成本，需要降低一个比单细胞更大的行业的成本。我们也不再多做讨论。下一项，数据分析。其实如果是标准流程，不带有细胞注释的话，成本也是不高的，机器需要的是服务器，配备生信人员测试软件即可。
2、例如，人类需要制造药用激素或抗生素，与其从头开始设计细胞，不如直接操纵转基因大肠杆菌，直接对现有生物进行魔法修正。其效果是成本低廉。
3、AI+制药的道路虽然漫长且充满挑战，但正是这种跨学科的融合，有望显著缩短药物研发周期，降低研发成本，为全球健康事业带来前所未有的突破。百图生科正坚定地走在这一前沿，期待与全球科研伙伴共同开创一个药物研发的新纪元。
4、还有一些养殖场为了降低成本在陆地的淡水中加入海盐模拟海洋环境进行养殖，更有甚者直接采用淡水进行养殖，这些养殖方式所生产出的海藻不是我们真正需要的产品，例如螺旋藻就是可以在淡水中养殖的藻类。海洋单细胞海藻是在纯天然且无毒无污染的原始海洋生态环境中培植的产品，没有使用任何化学成份和添加剂。
单细胞（single cell）分选平台比较（10X Genomics，BD Rhapsody，Fluidigm C1）那么问题就来了：从上图中我们可以看到，2010年-2014年之间，单细胞测序领域采用的主流技术的细胞通量都在100以内，哪怕是最为先进的Fluidigm C1平台也是如此。
单细胞三代转录组测序： 在获得单细胞全长cDNA后经过扩增和建库，用Nanopore平台或者Pacbio平台测序。由于cDNA不会被打断，避免了短reads的拼接过程带来的错误，因此检测的是真实的转录本全长信息，缺点是目前测序通量太低，测序错误率较高，单价过高。
CellRanger假设真实细胞文库大小变化在10倍以内，用期望的细胞数目估计区间的分布。液滴型单细胞测序平台各有优缺点，适用于不同应用。总体来说，10X Genomics的Chromium系统比Drop-seq或inDrop表现更强大，其技术噪音最小，稳定性最高。
在实际操作中，判断批次效应的程度并选择合适的矫正方法，是一项主观但需要精准的任务。Seurat3的矫正效果可以通过图4进行比较，尽管难以确定理想状态，但后续分析中要不断评估矫正是否恰到好处。
我们在做单细胞测序的时候，首先要做细胞分离。细胞分离必须要在短时间内完成，否则会影响到细胞的状态，甚至可能导致RNA从细胞中漏出。从组织中分离出细胞往往很困难，具体方法可以参考《Tissue Handling and Dissociation for Single-Cell RNA-Seq》这本书。
单细胞RNA测序最棘手的就是批次效应（batch effect）。 batch effects 可以发生在：不同批次的样品或许采用的质控标准也应该不一样，通过PCA的结果，可以查看结果中是否有明显的批次效应。
具体的实验流程如图所示，最终含有细胞的油滴占所有油滴比例大约5%，更好地保证了含有细胞的油滴里面只有1个细胞，一个包含细胞的油滴内就是一个单细胞scRNA-Seq。
传统的基因测序方法（Bulk RNA-seq）是对组织进行的检测，得到的结果是所有细胞的平均值，会忽略细胞之间的差异性，比如有的细胞转录水平比较高，有的细胞则比较低。同时如果目标细胞占比本来稀少，则这些细胞的信息会被平均或覆盖掉。