記事一覧

單細胞定序分析介紹 (四): 單細胞研究資料庫


     原創文章     引用請註明出處 


SingleCellStudyDatabase.png

先前小編跟大家介紹了一些單細胞文章,有些人可能會有疑問:那麼現今單細胞研究的發展趨勢為何呢?除了 NCBI pubmed 搜索單細胞研究文章外,還有哪裡可以搜尋相關文獻呢?有什麼資料庫可以參考?我明白
10x Genomics有自己的文獻資料庫(選單 > Resources > Publications),但如果想看其他單細胞技術的研究呢?

 

今天小編要跟大家介紹一個發表在 bioRxiv preprint 文章[1],內容除了提及過去已整理的特定類型“Atlas” 之外,這篇研究主要是介紹 “Single Cell Studies Database” 資料庫,專門蒐集單細胞轉錄體學研究的文章及數據,研究團隊除了大量閱讀文章外,還手動將每一篇研究內容做索引分類(真是嘔心瀝血)。透過這些整理,除了對大部分的文章做了簡易註釋以供讀者方便搜尋,作者也觀察到一些近年研究的趨勢:

 

過去研究觀察:

  • 單細胞轉錄體研究早在 2004 年就開始,到現在每個月的研究發表都持續穩定增長,2019 年 5 到 7 月平均一個月超過 30 篇文章被發表。
  • 2019 年單細胞研究,細胞數(中位數)約有 14,000 顆
  • 單細胞轉錄體技術應用在很多組織上,腦部是近來較受歡迎的部位,2019 年 550 篇的研究中占了65 篇
  • Nature 和 Cell 期刊刊登許多單細胞研究的文章,許多作者會預先發表在 bioRxiv preprint 上


cellsvsnumber3.png



過去研究內容傾向:
  • 幾乎很多文章都會基於基因表現對細胞分群(87%研究論文有做clustering),藉此討論分子層面的“cell types”。
  • 從 2015 年開始,t-SNE 降維方法頻繁被拿來使用;後期稍微下降,這可能是因為 UMAP 降維方法被採用所致;而偽時間分析的討論稍微少一點,但還是受到許多關注。
  • 小型的研究大概是 100 顆細胞被定義為一個 cell type (or cluster),大型研究大概是 1,000 顆細胞被定義為一個 cell type (or cluster),從圖中可以看到細胞類別與總體細胞數是呈正比的關係。
cellsvsnumber2.png
cellsvsnumber.png


這篇文章相關連結:

Single cell studies database 首頁網址
整理好的清單(持續更新中)
Submit表單




文章提及的其他資料庫:

The Human Cell Atlas Data Portal [2]:人類的單細胞資料庫

the human cell atlas 


JingleBells [3]:針對免疫細胞的單細胞資料庫

jinglebell.png 

Conquer [4]:名稱為“consistent quantification of external rna-seq data”的縮寫,這篇文章的作者把公開資料做一致性的統整,用以比較不同差異基因分析工具(套件)

Conquer.png 

PanglaoDB
[5]:包含人、鼠的資料庫,資料來自SRA (Sequence Read Archive)

panglaoDB.png 

Single Cell Expression Atlas (EMBL-EBI)

EMBL-EBI.png 

Single Cell Portal (The Broad Institute)

Broad institue 

scRNASeqDB
[6]:包含36個人類的的單細胞表現資料,資料來自GEO (Gene Expression Omnibus)

scRNAseqDB.png 



希望小編介紹這篇文章能幫助到各位在單細胞分析的研究,並且更全面地了解整體單細胞研究的潛能。未來有其他有趣的文章再分享給大家。



參考文獻

[1] Svensson, V., E. da Veiga Beltrame, and L. Pachter, A curated database reveals trends in single-cell transcriptomics. 2019: p. 742304.
[2] Regev, A., et al., The Human Cell Atlas. 2017: p. 121202.
[3] Ner-Gaon, H., et al., JingleBells: A Repository of Immune-Related Single-Cell RNA-Sequencing Datasets. J Immunol, 2017. 198(9): p. 3375-3379.
[4] Soneson, C. and M.D. Robinson, Bias, robustness and scalability in single-cell differential expression analysis. Nature Methods, 2018. 15(4): p. 255-261.
[5] Franzén, O., L.-M. Gan, and J.L.M. Björkegren, PanglaoDB: a web server for exploration of mouse and human single-cell RNA sequencing data. Database, 2019. 2019.
[6] Cao, Y., et al., scRNASeqDB: a database for gene expression profiling in human single cell by RNA-seq. 2017: p. 104810.





圖爾思生物科技 / 微生物體研究中心
謝馥媺 文案

留言

發表留言

秘密留言