运行SCENIC-Python

本文参考Installation and Usage、pySCENIC/notebooks和SCENICprotocol/notebooks介绍pySCENIC的

SCENIC(single-cell regulatory network inference and clustering),一种从单细胞 RNA-seq 数据同时进行基因调控网络重建和细胞状态鉴定的计算方法，使用调控序列分析(regulatory sequence analysis）预测target genes与TF之间的相互作用

SCENIC workflow

• 共表达调控分析(co-expression analysis)：使用GENIE3(基于R)或GRNBoost(基于python)，推断与转录因子共表达的的基因集合(图1 a)。
• 由于GENIE3 只进行共表达的分析，它将包含许多假阳性和间接的targets。为了鉴定假定的直接绑定的targets，每一共表达模块使用RcisTarget进行顺势调控（cis-regulatory ）motif的分析(图1 b)。只有正确上游调控因子（regulator）显著富集的motif模块被保留，并对其进行修剪去除缺乏motif支持的间接targets。我们将经过处理的模块称为regulons。
• 使用AUCCell算法对每个细胞中的每个regulon活性进行打分(图1 c)。并且可以通过设定阈值（或生成二值化的矩阵），确定regulon在那些细胞中处于激活状态
• SCENIC使用对AUC结果矩阵进行降维，并进行下游分析

SCENIC获取的信息

• regulon activity score(RAS)：识别转录因子(TFs)与潜在靶基因之间共表达的模块，鉴定regulon，获得每个细胞的regulon活性得分
• regulon specificity score(RSS)：通过计算regulon特异性得分来获取预测的regulon与每种细胞类型的特定对应关系
• connection specificity index(CSI)：利用regulon的关联特异性指数来表示不同regulon之间的关联新，同时具有较高CSI的regulons可能共同调控下游基因，并共同负责细胞的功能