单细胞之轨迹分析-5:slingshot
轨迹分析系列：slingshot 包可以对单细胞RNA-seq数据进行细胞分化谱系构建和伪时间推断。它利用细胞聚类簇和空间降维信息，以无监督或半监督的方式学习细胞聚类群之间的关系，揭示细胞聚类簇之间的全局结构，并将该结构转换为由一维变量表示的平滑谱系，称之为“伪时间”。
单细胞轨迹混乱的核心原因是数据质量、异质性高、算法或基因选择不当，需针对性优化处理流程及分析方法。 数据质量问题若样本在采集时细胞受损或RNA降解，测序深度不足或存在批次效应，都会导致轨迹混乱。
在本节教程中，我们将学习如何通过拟时序分析推断细胞分化轨迹。 slingshot 包可以对单细胞RNA-seq数据进行细胞分化谱系构建和伪时间推断，它利用细胞聚类簇和空间降维信息，以无监督或半监督的方式学习细胞聚类群之间的关系，揭示细胞聚类簇之间的全局结构，并将该结构转换为由一维变量表示的平滑谱系，称之为“伪时间”。
输出：稀有细胞类型鉴定，例如循环肿瘤细胞（CTC，频率0.01%）的分子特征。细胞发育轨迹分析 工具与技术：MonoclePAGA（图抽象）、Velocyto（RNA速度分析），结合时间序列采样和CRISPR lineage tracing（谱系追踪）。算法：Slingshot（伪时间排序）、Waddington-OT（分支点检测与命运概率预测）。
肿瘤异质性分析 癌细胞亚群识别：在癌细胞群体中进一步细分亚群，识别出不同的肿瘤细胞状态，如干细胞样细胞、侵袭性细胞等。这有助于更深入地理解肿瘤的异质性。发育轨迹推断：使用Monocle或Slingshot等工具，推断肿瘤细胞的发育轨迹，探索细胞状态之间的转变过程。
巨噬细胞注释：从“一把钥匙”到“多齿密码”巨噬细胞善变，传统用CD68标记，但注释亚型需结合多方面分析。注释亚型不仅要看Marker基因，还要结合拟时序分析（Monocle/Slingshot）追踪演变路径，联合代谢通路分析揭开“功能密码”。
