文章阅读：Single-cell analysis of the aging female mouse hypothalamus

今天阅读的一篇文章，今年6月刚发表在nature aging上的。通讯是来自Brown university的AP（博后在Stanford genetics）。数据不多，但是结合了公共数据与机器学习方法。

1.图谱工作思路

从年轻(3个月)和衰老(19-24个月)雌性小鼠的下丘脑中分离细胞核，每个年龄有4个重复。经过质量控制，获得了40064个用于分析的高质量细胞核:分别来自年轻和老年动物的16256和23808个细胞核。
然后聚类分群
每个群特异高表达的marker
转录因子特异性分析：细胞类型多样性是通过调控细胞类型特异性基因表达网络的转录调控因子的表达来实现的。为了确定在下丘脑不同细胞类型中负责不同表达网络的调控因子，使用了SCENIC识别调控因子，定义为转录因子及其调控的基因，并对调控因子在单个细胞中的活性进行评分。此外，它还提供了一个调控因子特异性评分(RSS)，表明给定的调控因子是特定于单个细胞类型还是在不同细胞类型共享。这里计算RSS是使用的calRSS()函数。
强烈阅读原文：
Revealing the critical regulators of cell identity in the mouse cell atlas
中文解释链接：
https://www.jianshu.com/p/1fe9062d7ae3

2.差异表达分析

MAST做整体的差异分析，然后到细胞类型。发现了 X chromosome inactivation相关的基因，只在女性中表达。其中整体的还找了一个公共的bulk芯片数据来做比较。
coefficient of variation analysis：

（这边是分别用的四个重复做的吗？）


GSEA分析，mtorc 信号等
（fgsea package）

使用一个公共数据集（海马的）与下丘脑的做相关性分析，比较差异基因的组织特异性（可以借鉴）

3.拟时序分析和细胞通讯

拟时序分析：从年轻到衰老
做了一个rtprc验证相关基因的变化

疾病相关的基因集随着拟时间的变化
module score随着拟时间的变化
生物学结论：疾病的score升高，内环境稳态的降低
轨迹 年轻在一边 衰老在遍布整个
衰老具有一定异质性

这里用到一个RVAgene的包（Python包）预测基因module

细胞通讯发现老年痴呆症相关基因APP和MIF的微神经胶质-神经元相互作用随着年龄的增长而丰富

4.机器学习可解释性

选择神经元核(25002)进行年轻和年老分类，所有基因均标注其染色体位置。对于每个神经元，一个分类特征(神经元亚型)和281个数值特征用于机器学习:278个X染色体基因，聚合X染色体基因表达“x_sum”，聚合所有基因表达“sum”及其比例“x_prop”。在预处理方面，分类特征采用OneHotEncoder，数值特征采用StandardScaler。这里采用了五折交叉验证。
利用排列特征重要性（permutation importance）和SHAP进行模型解释。发现Xist属于重要的特征。