NBT-单细胞多组学研究成人脑部细胞

  自2009年汤教授发表单细胞RNA定量测序，至今近10年间单细胞技术得到飞速发展，已发表多种组学的单细胞技术，让科研人员更具体了解每个单细胞的状态，特别对于肿瘤的发生发展，胚胎发育，复杂组织等领域研究更深入。

NBT paper

  这篇文章是2017年底发表在国际顶级期刊NBT上，论文的通讯作者为加州大学圣地亚哥分校Jacobs工程学院生物工程学系华裔教授张鹍（音译）,主要开发一些单分子测序及单细胞扩增微量建库等新技术，并以此研究干细胞，人脑等器官。

Kun Zhang,Ph.D

  文章采用两种改进的技术snDrop-seq，scTHS-seq分别对脑细胞转录组及表观组水平进行测序分析，获得来自人类成人视觉皮层，额叶皮层和小脑的> 60,000个单细胞的核转录组和DNA可及性图谱。这些数据的整合揭示了不同类型细胞的调节元件和转录因子，为研究大脑中的复杂过程提供了基础，例如协调成人髓鞘再生的遗传程序。还将疾病相关风险变异与特定细胞群体相关联，从而为人脑中的正常和致病细胞过程提供了见解。这种整合的单细胞多组学方法对研究复杂器官和组织提供了新的视角。

两种技术框架

  snDrop-seq基于液滴微流控技术，利用磁珠，有机油物在微流管道中结合单个细胞形成一个一个液滴，实现单细胞RNA-seq的建库，实现高通量测序。scTHS-seq技术是利用多重编码方式（pool-split）方式实现单细胞高通量测序，目前这两种方法在单细胞高通量领域用的较多。

转录表观水平聚类

  单细胞数据处理一般经过质控，比对，统计定量每个单细胞基因表达水平，定量开放区水平，即产生高维度稀疏矩阵，经过降维聚类算法，对整体细胞分群，基于已知的marker基因可以定义每个类群的细胞类型。

marker gene

  基因基因表达数据对单细胞进行聚类分析，然后利用机器学习算法模型gradient-boosting model（GBM）整合两个组学数据，模型算法将在后续文章中介绍。

基因表达数据和染色质开放性整合

  然后论文又对特定细胞类型转录因子（TF）活性研究以解析髓鞘再生过程。

转录因子研究

  最后文章又搜集以报道的脑部疾病的GWAS数据信息，选择可信度最强的50个SNP与开放区信息进行关联分析，将其定位到特定的细胞类型中。

结合GWAS数据分析