标准化单细胞RNA测序数据—陷阱和建议

~

博文名称：Normalizing single cell RNA sequencing data — Pitfalls and Recommendations
博文链接： https://towardsdatascience.com/normalizing-single-cell-rna-sequencing-data-pitfalls-and-recommendations-19d0cb4fc43d
博文发表时间：Jan 29, 2020

单细胞RNA测序(scRNA-seq)的目的通常是亚群鉴定和差异基因表达分析。 为避免“维度灾难”（curse of dimensionality），将高可变基因 (HVG) 用于聚类分析。 多项研究表明，HVG对原始计数矩阵标准化方法的选择很敏感。

原始read计数不能直接用于比较细胞之间的基因表达，因为它们会被实验技术和“无趣”的生物变异所混淆（干扰）。 通过QC质控步骤和其他方法可用于过滤和回归无趣的生物变异。 虽然PCR扩增偏差通常可以通过使用唯一分子标识符 (UMI) 来处理，但需要标准化以消除其他技术引起的变异，如测序深度、细胞裂解和逆转录效率的差异。

标准化（Normalization）处理的主要目标是消除技术效应的影响，同时保留真正的生物学异质性。在标准化处理良好的数据集中，一个基因的方差应该与细胞的基因丰度和测序深度无关。 “真正”差异表达的基因应该在不同细胞类型之间表现出高差异，而看家基因应该表现出低差异。

因此，标准化是一个关键的预处理步骤，它会极大地影响scRNA分析的下游应用。 不幸的是，scRNA数据集通常沿用从bulk RNA-seq继承的方法进行标准化，但是，由于技术性质的差异和这些数据集的固有复杂性，我们很快就会看到这些方法是不合适的。

在这篇博文中，我们将看到全局缩放方法（global scaling methods）在scRNA-seq分析中的局限性。 我们还将讨论最近推出的SCNorm和SCTransform归一化方法的潜力优势，这些方法专为单细胞分析量身定制。

传统上，使用RPKM（每千碱基百万读取数）、FPKM（每千碱基百万片段）或 TPM（每百万转录本）方法将跨细胞的原始表达计数通过测序深度进行标准化。 要了解它们的工作原理，请观看此 视频 。 虽然这些方法适用于样本内标准化，但它们已广泛认为不适合样本之间的差异表达分析。

例如，考虑在两个处理条件—对照组和治疗组之间，比较两个基因A和 基因B的表达的情况。 基因A在两种处理下的表达水平相同，而基因B在处理组中细胞的表达水平高出2倍。 TPM归一化将绝对表达值转化为相对表达值，因此，我们可能会得出结论，如果基因B在两组间是差异表达的，那么基因A也是差异表达的。

基于基因集的方法为了解决全局缩放方法的固有问题，最近引入了两种有趣的归一化方法 - SCnorm (2017) 和 SCTransform (Seurat package v3, 2019)。

SCnorm 是 Bioconductor上的R包。 对于每个基因，SCnorm通过分位数回归（quantile regression）估计基因表达对测序深度的依赖性。 然后将具有相似依赖性的基因进行分组，并使用第二个分位数回归来估计每组的缩放因子（ scale factors）。 最后使用每个组特定的缩放因子调整每个基因集的测序深度，以生成标准化的基因表达估计。

单个细胞数据集（ Bacher et al ）中3个基因表达
A：原始计数与测序深度，B：标准化的全局缩放因子与测序深度，C：SCnorm计数与测序深度
上图显示来自单个样本的细胞数据集中三个基因的计数深度关系。 图 A 是未标准化或原始表达计数。 很明显，与图C 中的 SCnorm 相比，基于全局缩放因子的方法（图 B）在标准化方面做得很差。

SCTransform 是可用于Seurat v3的R包。 该方法使用正则化负二项式模型（regularized negative binomial model）对UMI计数进行建模，以消除因测序深度引起的变化。 简而言之，该方法首先使用测序深度作为自变量和UMI计数作为响应或因变量为每个基因构建广义线性模型 (GLM)。 然后根据基因表达对参数估计进行正则化（或调整）。 使用正则化参数应用第二轮负二项式回归。 该模型的输出（残差）是每个基因的标准化表达水平。

这里的关键信息是，SCnorm 和 SCTransform 方法都学习基因集（ gene-group ）特定的因素，而不是使用常数因子来标准化所有基因。 这些因素分别针对低、中和高表达基因，消除了技术变异的影响，同时保留了真正的生物异质性。

归一化方法的选择会影响高变异基因的选择，从而影响scRNA数据的所有下游分析。 直接将bulk RNA-seq的归一化方法应用于scRNA数据集是不合适的。 推荐通过选择SCNorm或SCTransform归一化方法来更新分析流程并充分利用最新的技术方法是值得的。

在RNA-Seq的分析中，对基因或转录本的read counts数目进行标准化（normalization）非常重要，因为落在一个基因区域内的read counts数目取决于基因长度和测序深度。一个基因越长，测序深度会越高，落在其内部的read counts数目就会相对越多。因此，我们使用相对测量，而不是绝对测量。

因此，我们需要标准化的两个关键因素就是基因长度和测序深度，常常用RPKM (Reads Per Kilobase Million), FPKM (Fragments Per Kilobase Million) 和 TPM (Transcripts Per Million)作为标准化数值。

计算RPKM主要包括以下三步：

其中：

FPKM与RPKM的计算过程相同，它们的区别是：RPKM用于单端测序结果，FPKM用于双端测序结果（如图2所示）。因为双端测序中，每一个fragment会包含两个reads，使用FPKM来计算基因的表达丰度时，可以避免把同一个fragment的两个reads计算两次（实际上只需要计算一次）。

单端read与双端read比对到基因组的示意图所示：

TPM与RPKM最大的区别在于消除两种影响的次序：在TPM中先消除基因长度的影响，再消除测序深度的影响。计算TPM的过程也可以分为三个步骤：

计算公式表示如下：

其中：

因为交换了两次计算的次序，TPM最终得到的结果中，每个样本总的TPM值是相同的，这样的结果便于样本间差异的比较。

有以下RNA-seq数据，测定了A、B、C、D四个基因，长度分别是2、4、1、10kb，共测定了3个生物重复：Rep1、Rep2、Rep3。

第一步，计算总Read数
由于只有4个基因，所以总Read数并没有太大，因此使用10模拟百万进行总read换算。

第二步：标准化总Read数
将Rep1、Rep2、Rep3除以各自换算后的总Read数（也就是3.5，4.5，10.6），得到RPM：

RPKM是先进行测序深度标准化，后进行基因长度标准化；而TPM是先进行基因长度标准化，后进行测序深度标准化 。事实证明，TPM的标准化方法更有优势，为何会这样，见后述。这里先看看TPM的计算。

第一步：进行基因长度标准化。先将基因A、B、C、D的Read数除以各自的基因长度（基因长度单位kb），得到RPK。

详见黄树嘉的《 为什么说FPKM和RPKM都错了 ？》

TPM的归一化考虑了基因长度和测序深度，而seurat的归一化没有考虑基因长度，只考虑了测序深度，为什么不需要考虑基因的长度？
每个归一化方法内在的考虑因素不相同，TPM考虑了基因长度，基因越长，落在基因序列上的reads数量也相应越多。
归一化还跟它要解决的问题相关。

10X官方也答复了该问题：
https://kb.10xgenomics.com/hc/en-us/articles/115003684783-How-to-calculate-TPM-RPKM-or-FPKM-instead-of-counts -

答：在10x Genomics基因表达分析中，每个转录本都标记有唯一的分子标识符（UMI）序列。这些UMI能够准确定量基因表达水平，因为我们可以判断哪些read是由相同的mRNA分子产生的。因此，Cell Ranger和Space Ranger执行UMI计数（非read计数）以测量基因表达水平，并且所有下游分析步骤均基于UMI计数执行。

传统的RNA-seq数据中，完整的转录本被片段化，随后是cDNA合成、末端修复和接头连接。在此实验流程中，从长转录本中提取fragment片段的概率高于从短转录本中提取的概率。因此，TPM、RPKM、FPKM通过转录本长度（基因的长度）对read计数进行标准化是有意义的。然而，在10x基因表达分析中，这种基因长度偏差并不存在。因此，我们不建议通过基因长度使UMI计数标准化。

10X单细胞测序的UMI标签，消除PCR扩增的偏好性；

参考：
https://www.plob.org/article/16013.html
https://www.cnblogs.com/Belter/p/13205635.html
https://www.jianshu.com/p/1940c5954c81?from=groupmessage
https://www.jianshu.com/p/35e861b76486
https://bioinfo.umassmed.edu/content/pdf2016fall/normalization.pdf
https://www.cnblogs.com/emanlee/p/14933354.html

---

玛沁县19481036361： 得到对人类单细胞测序的fastq文件如何计算其coverage,和平均depth - ？
月致芪参： 第一步需要先将原始数据(fastq)比对到参考人类基因组上,定位每条测序序列的位置,然后统计所有测序序列覆盖在参考基因组上的长度,此长度除以全基因组长度即为coverage.测序得到的所有碱基个数,除以参考基因组长度,即为平均depth.

玛沁县19481036361： 为什么大部分单细胞测序测3'utr - ？
月致芪参： 细胞是生物学的基本单位,研究人员正更加努力地尝试将它们进行单个分离、研究和比较.单细胞测序是指DNA研究中涉及测序单细胞微生物相对简单的基因组,更大更复杂的人类细胞基因组.随着测序成本的大幅度下降,破译来自单细胞的30亿碱基的基因组并逐个细胞比较序列正在变为现实.目前,最常见的单细胞测序的应用是在肿瘤研究上.来自美国和英国的研究人员近日利用单细胞基因组扩增、测序和装配,从海洋样本中鉴定出一个单细胞细菌.

玛沁县19481036361： 的DNA片段应选择哪一种测序方式 - ？
月致芪参： DNA片段应选择哪一种测序方式 测序有DNA测序和RNA测序,之前比较早的测序是以芯片为基础,现在常用的是二代测序,全基因组的测序以及RNA-seq,目前比较高级的还有单细胞测序.随之而来的是第三代测序技术, 第三代测序技术则是...

玛沁县19481036361： 如何提取单个细胞的RNA - ？
月致芪参： 如何提取单个细胞的RNA 1. 首先严格说不是DNA的降解,是DNA被打断后形成的片段,因为一般DNA都很长,在操作过程中容易受外力的作用而断裂,形成片段,这是正常现象,提取中无法避免,只能尽量减少; 2. 如果是降解的话,会形成弥散形的条带,条带区分不明显; 3. 操作中注意用力要柔和,不要用力的摇晃和吹打等,所使用的枪头最好提前用剪刀斜着剪一下,使枪头孔径变大,可以保证抽吸的时候减少对DNA的剪切力; 4. 注意加入RNA酶,降解RNA;

玛沁县19481036361： 有关单细胞提取RNA,看大多都说直接裂解细胞后反转录,然后PCR.这样PCR时会有DNA污染吗? - ？
月致芪参： 这要看你引物设计如何了,跨内含子与否..? 如果引物设计的好,DNA污染对反转录是没有任何影响的.. 不过还是建议你用DNA酶消化一下..北京华越洋的RNA提取试剂盒,在RNA提取过程中清楚了DNA污染,所以得到的RNA没有任何DNA污染,可满足苛刻的荧光定量PCR对DNA无残留的要求.. 北京华越洋生物..外源RNA酶清除剂,代替致癌的DEPC,..RNA提取必备!

玛沁县19481036361： 您好!看到您回答过的问题!知道是做单细胞藻类的. 我现在的课题涉及到单细胞藻类RNA 的提取,有几个问题 - ？
月致芪参： 我还是10年前做过掌状冠盖藻的DNA提取的,当时取样一般是用50毫升藻液离心浓缩后提取,破壁是用液氮,提取效果不错.RNA提取比较困难,一不小心就可能就被降解了(唾液中就有RNA酶),我们同学都是晚上实验室没有其他人在的时候提取.

玛沁县19481036361： 单细胞测序知多少 - ？
月致芪参： 类基组计划测单倍体基组现代遗传家认,约3万基,发现所类基并搞清其染色体位置,破译类全部遗传信息.类基组计划美科家于1985率先提,程像步行式画北京海路线图.打比,张命图绘,30亿碱基构类基组精确测序.随着类基组逐渐破译,基...

玛沁县19481036361： 大小的DNA片段应选择哪一种测序方式 - ？
月致芪参： 可以用以下测序方法 第1 代测序技术 荧光标记的Sanger 法—— 在分子生物学研究中,DNA的序列分析是进一步研究和改造目的基因的基础.目前用于测序的技术主要有Sanger(1977)发明的双脱氧核糖核酸链末端终止法,目前Sanger测序法得...

玛沁县19481036361： 酵母菌的来源 - ？
月致芪参： 酵母菌的来源酵母菌是一些单细胞真菌,并非系统演化分类的单元.目前已知有1000多种酵母,根据酵母菌产生孢子(子囊孢子和担孢子)的能力,可将酵母分成三类:形成孢子的株系属于子囊菌和担子菌.不形成孢子但主要通过芽殖来繁殖的...