Tek hücre Gen Kümesi Zenginleşme Analizi — scGSEA
Single-cell Gene Set Enrichment Analysis · Ayrıca şöyle bilinir: scGSEA, single-cell GSEA, cell-level gene set scoring, scRNA-seq pathway scoring
Tek hücre gen kümesi zenginleşme analizi (scGSEA), klasik yığın GSEA'yı bireysel hücre çözünürlüğüne genişletir. scGSEA, bir gen kümesinin örnek düzeyinde bir karşılaştırmada zenginleşip zenginleşmediğini test etmek yerine, her hücreye bir zenginleşme veya aktivite puanı atar; bu da araştırmacıların tek hücre RNA-seq verilerinde yakalanan heterojen hücre popülasyonları, hücre durumları ve gelişimsel yörüngeler boyunca yolak aktivitesini haritalamasına olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek hücre RNA-seq verileriniz olduğunda ve örnek düzeyinde değil, hücre çözünürlüğünde yolak veya regülon aktivitesini karakterize etmek istediğinizde scGSEA'yı kullanın — örneğin, hangi hücre alt tiplerinin bir hastalık imzasını yönlendirdiğini belirlemek, hematopoezdeki veya embriyonik gelişimdeki veri kümelerinde sözde zaman yörüngeleri boyunca farklılaşmayla ilgili yolak aktivasyonunu izlemek veya bilinen biyolojik programlarla kümeleri etiketlemek için. Özellikle hücre popülasyonları heterojen olduğunda ve yığın ortalamasının biyolojik olarak anlamlı alt grupları maskeleyeceği durumlarda değerlidir. Bireysel belirteç genleri belirlemek amaç olduğunda diferansiyel ifade testinin yerine scGSEA'yı KULLANMAYIN. Çok seyrek veya düşük kaliteli verilerde, düşme farkındalığına sahip normalleştirme olmadan uygulamayın; gen sıralaması gürültülü ve puanlar güvenilmez olacaktır. Ayrıca, hücre başına yüzlerce hücreden az olan çok küçük veri kümeleri için uygun değildir.
Güçlü yönler & sınırlılıklar
- Yığın yöntemlerinin sildiği hücresel heterojenliği koruyarak her bir hücreye biyolojik olarak yorumlanabilir yolak aktivite puanları atar.
- Herhangi bir küratörlü gen kümesi kaynağıyla (MSigDB, GO, KEGG, Reactome, özel regülonlar) yeniden eğitim gerektirmeden uyumludur.
- Puanlar, Seurat veya Scanpy'deki standart tek hücre iş akışları ve boyut azaltma görselleştirmeleriyle doğal olarak bütünleşir.
- Çeşitli karmaşıklık ve hızları kapsayan birden fazla olgun uygulama mevcuttur (AUCell, VISION, Scanpy score_genes, GSVA aracılığıyla ssGSEA).
- Tek hücre çözünürlüğünde sözde zamanla çözülmüş yolak dinamiklerini ve çoklu koşul karşılaştırmalarını etkinleştirir.
- Tek hücre verileri, hücre başına gen sıralamalarını bozan ve küçük veya düşük oranda ifade edilen gen kümeleri için güvenilmez puanlar üretebilen yüksek düşme (sıfır enflasyonu) yaşar.
- Puanlar bir veri kümesi içinde görecelidir; bağımsız olarak işlenmiş veri kümeleri arasındaki mutlak puan değerlerinin karşılaştırılması dikkatli normalleştirme uyumlaştırması gerektirir.
- Çoğu puanlama yöntemi, biyolojik olarak gerçekçi olmayan ve yüksek oranda eş ifade edilen modüller için görünen zenginleşmeyi şişirebilen gen kümesi üyelerinin bağımsız olduğunu varsayar.
- Hesaplama maliyeti, hücre sayısı çarpı gen kümesi sayısı ile ölçeklenir; çok büyük atlaslar yaklaşık veya paralelleştirilmiş uygulamalar gerektirebilir.
SSS
scGSEA standart yığın GSEA'dan nasıl farklıdır?
Yığın GSEA, iki koşulu karşılaştıran örnek başına tek bir zenginleşme puanı üretir; hücre tipi özgü aktiviteyi ayırt edemez. scGSEA, gen kümesi başına bir puan üretir, böylece bir yolak belirli bir hücre kümesinde, bir yörünge boyunca veya nadir bir hücre alt popülasyonunda aktif olup olmadığını sorabilirsiniz — yığın yöntemlerinin sağlayamayacağı bilgiler.
Hangi aracı kullanmalıyım: AUCell, VISION veya Scanpy score_genes?
AUCell en yaygın doğrulanmış olanıdır ve mutlak ifadeye değil sıralamaya dayandığı için düşmeye karşı dayanıklıdır; iyi bir varsayılan değerdir. VISION, grafik tabanlı yumuşatma ve otokorelasyon testi ekleyerek yörünge analizleri için daha güçlü hale getirir. Scanpy'nin score_genes'i hızlıdır ve Scanpy ekosistemine entegre edilmiştir ancak seyrek gen kümeleri için daha az uygun olan daha basit bir toplamsal puandır.
Güvenilir puanlar için kaç hücreye ihtiyacım var?
Sabit bir minimum yoktur, ancak iki grup arasındaki puanların güvenilir istatistiksel karşılaştırması grup başına yeterli hücre gerektirir — tipik olarak koşul başına küme başına en az 50-100 hücre ve ideal olarak birden fazla biyolojik tekrar (donörler veya örnekler). Çok az hücre ile, hücre başına puanlar gürültülü olacak ve diferansiyel testler yetersiz kalacaktır.
Özel gen kümeleri kullanabilir miyim, yoksa MSigDB'yi mi kullanmalıyım?
Herhangi bir küratörlü gen tanımlayıcı listesi bir gen kümesi girdisi olarak hizmet edebilir. MSigDB, GO, KEGG ve Reactome yaygın kaynaklardır, ancak araştırmacı tarafından tanımlanan gen kümeleri — yayınlanmış bir hücre tipi imzası veya SCENIC'ten özel bir regülon gibi — eşit derecede geçerlidir. Gen tanımlayıcılarının ifade matrisinizde kullanılan biçimle (gen sembolleri ve Ensembl kimlikleri) eşleştiğinden emin olun.
Analizden önce puanları hücre döngüsü etkileri için düzeltmeli miyim?
Evet, hücre döngüsüyle ilgili gen kümeleri (örneğin, G2M veya S fazı imzaları) dahil edilmişse veya hücre döngüsü varyasyonu biyolojik sorunuzda karıştırıcı bir faktörse. Standart uygulama, ön işleme sırasında hücre döngüsü puanlarını dışarıda bırakmak veya diferansiyel puanlama modellerinde kovaryet olarak dahil etmektir, böylece yolak farklılıkları hücre döngüsü heterojenliğinden ziyade biyolojiyi yansıtır.
Kaynaklar
- Aibar, S., Gonzalez-Blas, C. B., Moerman, T., Huynh-Thu, V. A., Imrichova, H., Hulselmans, G., Rambow, F., Marine, J.-C., Geurts, P., Aerts, J., van den Oord, J., Kalender Atak, Z., Wouters, J., & Aerts, S. (2017). SCENIC: Single-cell regulatory network inference and clustering. Nature Methods, 14(11), 1083-1086. link ↗
- DeTomaso, D., Jones, M. G., Subramaniam, M., Ashuach, T., Ye, C. J., & Yosef, N. (2019). Functional interpretation of single cell similarity maps. Nature Communications, 10(1), 4376. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Single-cell Gene Set Enrichment Analysis. ScholarGate. https://scholargate.app/tr/bioinformatics/single-cell-gene-set-enrichment-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Gen Kümesi Zenginleşme Analizi (GSEA)Biyoenformatik↔ karşılaştır
- Yol Zenginleştirme AnaliziBiyoenformatik↔ karşılaştır
- RNA-seq Diferansiyel İfadeBiyoenformatik↔ karşılaştır
- Tek hücre RNA-seq AnaliziBiyoenformatik↔ karşılaştır
- Tek Hücre RNA-seq Diferansiyel İfade AnaliziBiyoenformatik↔ karşılaştır