单细胞分析是目前炙手可热的研究方向。人们通过一系列不同的技术来研究单个细胞的基因组、转录组、表观基因组及其他特征。尽管各项技术本身就能带来丰富的信息，但它们的组合分析（也就是多组学分析）能提供一幅更完整的图像。

目前，在单细胞多组学的推动下，细胞生物学和转化研究取得了重大进展，不过，数据整合与分析仍然是许多科学家面临的挑战。在此，我们将回顾单细胞多组学的基本原理，并介绍一些可以促进数据整合的计算工具。

单细胞多组学

10x Genomics公司的单细胞应用产品营销经理Angela Churchill博士指出：“单细胞多组学是在单细胞水平上评估多个细胞特征。”她解释说，这种方法提供了深入的生物学视角，有助于更详细地了解细胞类型和状态，并提出曾经无法触及的新问题。

当然，多组学分析并不局限于单细胞研究。Illumina的产品营销总监Dalia Daujotyte表示：“多组学既适用于批量细胞测序，也适用于单细胞测序，具体选择哪种方法，取决于您的研究目标。批量测序是一种简单易行的方法，可用来鉴定组织之间的差异。”

Daujotyte指出，在研究均质的组织或丰富的细胞时，批量测序通常是最经济实惠的方法。相反，在鉴定由罕见细胞组成的异质细胞群时，单细胞多组学则能有效分析这些不同的细胞。“现在，捕捉到罕见现象的可能性增加了，”她说。

癌症等研究受益

近年来，市场上涌现出更多的分析，大大提升了研究人员开展单细胞多组学研究的能力。Churchill解释说，10x Genomics的Chromium单细胞平台等分析方法不断扩展，让人们能够以不同组合评估多个细胞特征，包括全转录组基因表达、蛋白表达、全长配对TCR和BCR测序、抗原特异性以及开放染色质分析等。

同时，还有一些进展值得关注，包括测序技术的不断改进。“Illumina的NovaSeq X等创新技术大大提高了测序通量，并降低了测序流程的成本和时间，让更多‘组’得以测序，进一步推动了单细胞多组学的发展，”Daujotyte说。

这些技术的进步让许多研究受益，最为突出的是癌症研究。Daujotyte指出：“单细胞分析与癌症研究是天作之合，因为癌症不是由一种细胞类型组成的。”单细胞测序善于发掘细胞的多样性，这对于了解复杂的肿瘤微环境至关重要。

Daujotyte还表示，在癌症研究中，空间多组学测序是目前一种迅速发展的方法，它在不破坏组织结构的前提下，对细胞进行基因组、转录组、表观基因组和蛋白质组测序。“目前的空间测序方法还没有达到单细胞分辨率，因此单细胞测序不会在短时间内消失，”她谈道。不过，随着分辨率的提高以及NGS能够在组织背景下对各种组进行全面分析，空间测序将迎来更好的发展前景。

数据整合的工具

单细胞实验往往需要付出大量的精力，而数据分析是研究中最具挑战性的一环。“单细胞多组学数据集本身就很大，而且是多维的，这可能会带来数据处理、管理和解释方面的挑战，” Churchill强调说。她提到，目前有一系列全面的数据分析工具，包括来自10x Genomics的强大方案，如Cell Ranger、Loupe Browser和云分析。

Cell Ranger采用一组免费且易用的分析流程来分析Chromium单细胞数据。它能够处理原始数据、开展比对，对基因进行计数。Cell Ranger还可以与云分析平台整合，对数据进行监控、管理和处理。

此外，研究人员还可以使用Loupe Browser，这是一款可视化软件，有助于解释单细胞多组学数据集。“这款软件的使用不需要任何生物信息学专业知识，它可以简化多组学数据集的探索，提供基因表达、V(D)J数据、开放染色质区域等的综合视图，”Churchill补充说。

目前还有一些开源工具常用于多组学数据集的整合，比如MOFA2（Multi-Omics Factor Analysis v2）和LIGER（Linked Inference of Genomic Experimental Relationships）。这些工具通常能够灵活整合不同类型的组学数据。不过，主要缺点是许多工具需要生物信息学技能，这就限制了没有编程和分析经验的科学家使用。

Daujotyte指出，幸运的是，这个领域正在向机载分析或app平台过渡，为研究人员提供了更简化、更全面，当然也更友好的工作流程。这些程序包括Illumina的DRAGEN二次分析程序，它能够分析来自全基因组、外显子组、甲基化组和转录组的新一代测序（NGS）数据。此外，Illumina Correlation Engine是一个交互式组学知识库，能够将数据与25.6万个精选组学特征进行比较，从而揭示细胞通路和遗传扰动等重要模式。

这些生物信息学工具和软件的不断发展将帮助研究人员解读复杂的多组学数据集。正如Churchill和Daujotyte所强调的，向着更直观的应用程序或app平台转变，这让那些缺乏生物信息学背景的研究人员也能高效地分析数据集，从中获得有意义的见解。

建议阅读的文献：

1. Hao Y, Hao S, Andersen-Nissen E, et al. Integrated analysis of multimodal single-cell data. Cell. 2021;184(13):3573-3587.e29. doi:https://doi.org/10.1016/j.cell.2021.04.048

2. Dimitriu MA, Lazar-Contes I, Roszkowski M, Mansuy IM. Single-cell multiomics techniques: From conception to applications. Frontiers in Cell and Developmental Biology. 2022;10. doi:https://doi.org/10.3389/fcell.2022.854317

3. Stanojevic S, Li Y, Ristivojevic A, Garmire LX. Computational methods for single-cell multi-omics integration and alignment. Genomics, Proteomics and Bioinformatics. 2022;20:836-849. doi:https://doi.org/10.1016/j.gpb.2022.11.013

4. Baysoy A, Bai Z, Satija R, Fan R. The technological landscape and applications of single-cell multi-omics. Nature Reviews Molecular Cell Biology. 2023;24(10):695-713. doi:https://doi.org/10.1038/s41580-023-00615-w