学习笔记，仅供参考，有错必纠
Authors：Shila Ghazanfar, Yingxin Lin, Xianbin Su, David Ming Lin, Ellis Patrick, Ze-Guang Han, John C. Marioni and Jean Yee Hwa Yang
Journal：Nature Methods
Year：2020
文章目录
- Investigating higher-order interactions in single-cell data with scHOT
- 摘要
- Introduction
- results
- scHOT
- scHOT identifies multiple higher-order associations during liver development
- scHOT identifies local patterns of correlation in the mouse olfactory bulb (MOB)
- Discussion
Investigating higher-order interactions in single-cell data with scHOT
摘要
单细胞基因组学已经改变了我们研究细胞fate选择的能力. 沿着计算有序的 伪时间检查细胞，有可能揭开关键基因之间变异性和共变性的微妙变化. 我们描述了一种方法，scHOT–—single-cell higher-order testing–它提供了一个灵活的、统计学上稳健的框架来识别基因间高阶相互作用的变化. scHOT可以应用于沿连续轨迹或跨空间的细胞，并适应各种高阶测量，包括变异性或相关性. 我们通过研究小鼠肝脏胚胎发育过程中高阶相互作用的协调变化来证明scHOT的用途。此外，scHOT利用小鼠嗅球的空间分辨率转录组学数据识别了gene–gene关联的微妙变化. scHOT有意义地增加了一阶差异表达测试，并为使用单细胞数据interrogating高阶互动提供了一个框架.
Introduction
了解支撑细胞命运选择(underpin cell fate choice)的机制是发育生物学的一个关键挑战。它需要解决细胞自主因素（如基因表达）和非自主因素（如信号环境）之间复杂的相互作用问题。就前者而言，最近的技术进步已经能够快速和高通量地测量单个细胞中信使RNA的表达水平。这种单细胞RNA测序（scRNA-seq）数据集促进了人类、小鼠、斑马鱼和青蛙发育过程中的细胞类型图谱的产生。使用这些数据，细胞可以沿着 "伪时间 "进行计算排序，随后可以确定单个基因的表达谱的变化。然而，虽然细胞fate的决定通常与表达的深刻变化有关，但许多这种变化是在最初的细胞fate决定的下游。相反，在整个发育过程中，基因的变异和共同表达模式的微妙变化，有时与平均表达的实质性变化无关，被认为在对称性破坏中起着更关键的作用。与此相一致的是，高阶相互作用（即超越平均表达量的变化）已被证明对理解基因组学数据具有很高的参考价值；例如，在监督机器学习环境中，对未知空间模式的估计。此外，随着高通量和高分辨率空间分辨率的基因表达图谱（例如空间转录组学、seqFISH和MERFISH）的最新发展，现在有可能探索高阶相互作用和空间位置之间的关系。例如，在胚胎发育的背景下，少量空间定位的细胞在committing to a down- stream fate之前是否显示出异常高的表达谱变异性？
从计算的角度来看，目前还缺乏研究高阶相互作用的方法。尽管已经开发了许多方法来沿着伪时对细胞进行排序，伪时是通过计算得出的对细胞类型分化轨迹的预测，但识别在整个伪时轨迹中表达水平发生重大变化的单个基因的方法通常侧重于单个基因的平均表达量的变化，而没有描述在这个轨迹中基因子集之间共变模式的微妙变化。在那些研究高阶相互作用的情况下，旨在比较沿伪时空的相关模式的典型分析，首先在估计协方差网络之前，通过对相关矩阵进行阈值处理或使用其他方法，定义严格的非重叠细胞集。然而，这种网络的估计是有噪音的，并且忽略了整个连续体中潜在且微妙但一致的变化，以及需要经常临时分化或将细胞分类为离散的组。即使在数据来自两个具有未知标签的不同样本的情况下，我们以前也曾用模拟方法表明，在模型错误设定的情况下，双样本差异相关方法并不稳健。正如我们以前所讨论的，在线性模型中将sample ranking作为协变量并测试交互作用的效果，仅限于识别线性且是单调的交互作用，这可能不存在于高度动态或复杂的轨迹中(在分化过程中有多种变化)。在空间分辨率的基因表达数据方面，存在较少的方法，重点是测试预定义模式的存在（例如，信号梯度），然而，这些方法需要有感兴趣的空间结构的先验知识。
在这里，我们介绍了单细胞高阶测试（scHOT），这是一个研究高阶结构变化的框架。比如，在离散簇以及跨空间区域中，不同pseudotime下，基因之间的相关性。
results
scHOT
scHOT建立在我们以前的工作上，即DCARS（differential correlation across ranked samples），它使用大量的RNA-测序数据来测试跨排名个体样本的基因-基因相关的变化。
我们的方法需要以下类型细胞的特定信息之一(图1)：
- 细胞的排名，这通常是跨越伪时间
- 二维或三维的空间坐标
在推断出空间坐标的情况下，scHOT也适用于the cell ranking along a gradient或in the inferred two- or three-dimensional space。鉴于这些细胞的特定信息以及确定局部样本特定权重的方案，我们计算单基因或成对基因之间的局部高阶相互作用向量，分别发现局部的变异性或共变性的变化（图1）. 然后，在保留原始数据的全局变异性或相关结构的情况下，使用Sample-wise permutation testing来评估统计学意义。这种在局部高阶交互估计方面以显著基因及成对基因为框架，使整个轨迹、群体或空间的变化模式以高阶相互作用为特征，而不是简单地以平均值的变化为特征。此外，scHOT确定了出现类似高阶模式的基因组。关于如何在实践中应用scHOT的更详细讨论，见补充说明。
Fig. 1 Methods workflow
scHOT identifies multiple higher-order associations during liver development
scHOT identifies local patterns of correlation in the mouse olfactory bulb (MOB)
Discussion