MEDALT：单细胞拷贝数谱系追踪实现基因发现

MEDALT: single-cell copy number lineage tracing enabling gene discovery

作者信息Fang Wang, Qihan Wang, Vakul Mohanty, Shaoheng Liang, Jinzhuang Dou, Jincheng Han, Darlan Conterno Minussi, Ruli Gao, Li Ding, Nicholas Navin, Ken Chen

PMID33622385

期刊Genome Biol

发布时间2021-02-23

DOI10.1186/s13059-021-02291-5

来源查看原文

实验完整度

高

包含模拟实验（100个数据集）、真实scDNA-seq数据（20例TNBC）、scRNA-seq数据（20例），以及功能验证（DepMap CRISPR必需性、预后分析）等多个层级。

主要模型

模拟细胞群体（约200个细胞）三阴性乳腺癌患者单细胞DNA测序数据（20例）头颈部鳞状细胞癌等癌症患者的单细胞RNA测序数据（20例）

重点核对

模拟中100个数据集，每个约200个细胞 20例三阴性乳腺癌患者的scDNA-seq数据 20例癌症患者的scRNA-seq数据（6例HNSCC、8例MM、2例OSCC、4例OV）置换次数为1000次

摘要

我们提出了一种最小事件距离非整倍体谱系树（MEDALT）算法，该算法基于单细胞拷贝数（SCCN）谱推断细胞群体的进化历史，以及一种名为谱系物种形成分析（LSA）的统计程序，该程序有助于从SCCN谱系树中发现与适应性相关的改变和基因。MEDALT在重建拷贝数谱系方面似乎比系统发育方法更准确。来自20名三阴性乳腺癌患者的数据表明，我们的方法有效优先考虑了对于乳腺癌细胞适应性至关重要的基因，并预测患者生存，包括那些涉及趋同进化的基因。

模拟单细胞拷贝数进化

生成具有已知进化历史的模拟数据，用于评估谱系重建算法的准确性。

使用马尔可夫过程模拟细胞出生-死亡过程，并模拟多种基因组结构重排（如末端缺失、串联重复等）产生拷贝数改变，并随机加入适应性相关改变。

构建MEDALT谱系树

从单细胞拷贝数谱推断细胞群体进化树。

计算细胞间最小事件距离，使用Edmond算法构建有根有向最小生成树。

识别拷贝数改变与谱系扩张的关联

通过置换检验识别与谱系扩张非随机相关的拷贝数改变。

通过LSA将细胞划分为谱系，计算每个CNA的累积折叠水平，并与置换数据中的背景分布比较，计算经验p值。

应用MEDALT和LSA于真实癌症数据

验证方法在真实患者中的有效性，并发现与适应性相关的基因。

对20例三阴性乳腺癌的scDNA-seq数据和20例其他癌症的scRNA-seq数据分别建立MEDALT，并进行LSA和PLSA分析。

实验环节	名称	品牌	货号
单细胞拷贝数推测	inferCNV	--	--
构建系统发育树	phangorn	--	--
拷贝数分割	copynumber	--	--
单细胞拷贝数测序数据来源	GISTIC	--	--

实验环节

名称

品牌

货号

单细胞拷贝数推测

构建系统发育树

拷贝数分割

单细胞拷贝数测序数据来源

环节	核对要点
模拟实验	CNA率μ、噪声水平λ、基因组大小G、细胞数量等参数设置。阅读提示：Methods中的“Simulating single-cell copy number evolution”
MEDALT构建	单细胞拷贝数矩阵的生成与预处理。阅读提示：Methods中的“Integer copy number profiles from single-cell DNA sequencing data”和“Constructing MEDALT”
LSA分析	置换次数、置换方式（按染色体）、p值阈值。阅读提示：Methods中的“Lineage speciation analysis”和“Results”中的“Detecting fitness-associated CNAs in disease cohorts”
TNBC数据	样本数（20例）、数据下载来源（SRA SRP064210和SRP114962）、拷贝数推断方法（可变分箱、CBS）。阅读提示：Methods中的“Integer copy number profiles from single-cell DNA sequencing data”和“Application on scDNA-seq data from TNBCs”
scRNA-seq数据分析	样本数（20例）、数据来源（GEO）、inferCNV参数（默认参数）、30基因窗口计算平均拷贝数。阅读提示：Methods中的“Inferring copy number profile from single-cell RNA sequencing data”和“Results”中的“Applications on single-cell RNA sequencing data”

环节

核对要点

模拟实验

CNA率μ、噪声水平λ、基因组大小G、细胞数量等参数设置。

阅读提示：Methods中的“Simulating single-cell copy number evolution”

MEDALT构建

单细胞拷贝数矩阵的生成与预处理。

阅读提示：Methods中的“Integer copy number profiles from single-cell DNA sequencing data”和“Constructing MEDALT”

LSA分析

置换次数、置换方式（按染色体）、p值阈值。

阅读提示：Methods中的“Lineage speciation analysis”和“Results”中的“Detecting fitness-associated CNAs in disease cohorts”

TNBC数据

样本数（20例）、数据下载来源（SRA SRP064210和SRP114962）、拷贝数推断方法（可变分箱、CBS）。

阅读提示：Methods中的“Integer copy number profiles from single-cell DNA sequencing data”和“Application on scDNA-seq data from TNBCs”

scRNA-seq数据分析

样本数（20例）、数据来源（GEO）、inferCNV参数（默认参数）、30基因窗口计算平均拷贝数。

阅读提示：Methods中的“Inferring copy number profile from single-cell RNA sequencing data”和“Results”中的“Applications on single-cell RNA sequencing data”

大家都在搜

大家都在搜