单细胞风向标！Seurat开发者总结2025单细胞大事件，一文打包解读

正文

请到「今天看啥」查看全文

Satija总结目前的注释方法

然而，这些模型普遍面临一个关键挑战： 训练数据的标注标准不一致，使得跨项目、跨组织的整合变得困难 。 为解决这一问题， Satija实验室开发了 Pan-human Azimuth 神经网络模型。该模型基于统一的、分层的细胞本体论，对细胞类型进行一致、系统的注释，显著提升了参考映射在不同数据集和平台之间的通用性与准确性。其主要特点包括：

• 庞大的多组织参考数据集 ： Pan-human Azimuth整合了来自多个大型单细胞/单核RNA测序数据资源的数据，例如CZI CellXGene、HuBMAP、DISCO、GTeX以及先前的Azimuth数据。通过汇集这些资源，构建了一个覆盖广泛人体组织的大型参考数据集。

• 统一的分层注释体系 ： 该项目对所有细胞进行了一致的、分层的、数据驱动的细胞本体论注释。这意味着所有的细胞类型都按照一个统一的、具有层级结构的分类体系进行标记，保证了注释的一致性和可比性，并能够支持不同分辨率的细胞类型分析。

• 快速、可扩展且易于使用的注释工具 ： Pan-human Azimuth能够跨越不同的单细胞/单核RNA测序方法进行注释，速度非常快，可以达到每小时注释约1000万到2000万个细胞。此外，该项目还提供了R和Python的应用程序接口（APIs），使得研究人员能够方便地在自己的分析流程中集成和使用这个参考图谱进行细胞类型注释。

快速且方便上手

三、无成像空间分析（ Spatial Analysis without Imaging）

传统的空间转录组学技术 （如 Slide-seq和Slide-tags） 依赖高精度成像设备，以获取组织切片中分子或细胞的空间位置信息。然而， 这类方法通常成本高、操作复杂、成像范围有限，难以推广至大规模组织样本的空间研究 。 近年来，一种基于原位条形码（ in situ barcoding）和数学推断的新方法正在崛起，颠覆了空间组学对成像系统的依赖。 细胞或分子的空间位置可以从它们之间的成对距离进行数学 “推断”，强调推断的重要性超过了直接测量 。 这种基于推断的方法带来了显著的优势：

• 大幅降低成本 ： 无需昂贵的定制成像设备，极大地降低了实验成本。

• 提高实验的可扩展性 ： 能够对厘米尺度的大组织样本进行研究，而无需进行大规模的成像，从而扩展了实验的规模。

无需成像的空间转录组学新方法 [3]

在与传统基于图像的 Slide-seq 方法进行对比实验时，研究人员发现两种方法在空间定位和表达图谱方面 仅存在微小差异 。更重要的是， 新方法大幅提升了实验的空间尺度 。 研究团队已成功在小鼠胚胎组织上重建了覆盖面积达 1.2 厘米 的基因表达图谱。目前，该团队 正 尝试将分析范围扩展至 7 厘米，接近人类器官的大小。

四、半透性液滴技术（ Semi-permeable droplets）

半透性液滴技术，旨在克服传统油包水液滴不透性、无法进行试剂交换的局限，从而实现多步骤处理和活细胞培养等应用。 现有的油基液滴不具备渗透性，这限制了在液滴内进行需要试剂交换的多步反应 。

CAGE 原理 示意图 [4]

CAGEs是一种具有凝胶外壳的微胶囊，这种聚合物外壳具有物理上的稳固性，并且可以包裹细胞、酶和培养基等物质。关键的是， CAGEs的外壳具有10-50纳米大小的孔隙，这些孔隙允许小分子试剂和引物自由扩散进出，但能够阻止大于300bp的DNA分子通过 。 这种半透性的特性使得 CAGEs与多种应用兼容，包括：

• 多步骤分子生物学实验（组合条形码） ： 由于可以进行试剂交换， CAGEs能够支持需要逐步添加试剂的复杂分子生物学实验，例如组合条形码标记。

• 流式细胞术 /富集 ： CAGEs包裹的细胞可以像普通的细胞一样进行流式细胞术分析和分选富集。

• 基于活细胞的扰动筛选 ： 由于 CAGEs允许培养基的交换，因此可以在液滴内进行长时间的活细胞培养和扰动实验。

目前 CAGEs技术正在被应用于开发新的检测方法，例如DNA测序、多模态分析和RNA细胞计数等。

五、样本层面的单细胞分析（ Sample-level analysis of single-cell data）

尽管单细胞测序能够捕捉细胞异质性，但在疾病研究中，往往需要比较不同个体或样本之间的生物学差异 。 例如，比较健康人与患病者，或早期患者与晚期患者的细胞状态分布。传统方法主要分析单一细胞类型，而样本层级分析则尝试将所有细胞信息整合，以反映整个样本的生物特征。为了应对这个挑战， Satija提出了几种在样本层面进行分析的策略，并将其与细胞层面的分析方法进行了类比：

• 聚类（ Clustering） ： 在细胞层面，聚类可以将具有相似特征的细胞归为不同的细胞类型或状态；而在样本层面，对来自不同个体的细胞进行联合聚类，可以发现与不同患者群体相关的细胞组成模式。

• 轨迹推断（ Trajectory Inference） ： 在细胞层面，轨迹推断可以重建细胞状态转变或响应的路径；而在样本层面，构建样本的

请到「今天看啥」查看全文