2020 年 1 月，整個中國因新型冠狀病毒 2019-nCov 得了一場“感冒”。疫情一開始，武漢病毒研究所石正麗團隊就用實驗證實了血管緊張素轉化酶 2（Angiotensin-converting enzyme 2，ACE2）是新型冠狀病毒感染人體的受體基因。2020 年 1 月 26 日，上海同濟大學醫學院左為研究團隊在《bioRxiv》上發表了題為“Single-cell RNA expression profiling of ACE2, the putative receptor of Wuhan 2019-nCov”的文章。
該研究利用已有的數據庫，結合單細胞 RNA 測序技術中相關生信分析，對 ACE2 在人肺內單個細胞的表達情況進行了分析，共涉及 8 個樣本，43134 個細胞。結果表明：ACE2 受體主要在一部分（1% 左右）II 型肺泡上皮細胞（AT2) 中表達；同時發現這些 AT2 細胞除了表達病毒受體，還表達與病毒復制和傳播相關的基因，說明其很可能是冠狀病毒的靶細胞。可見，單細胞測序技術不僅是科研的利器，同時還為破解疫情做了應有的貢獻。那么，1 月份利用單細胞測序技術在基礎研究中還有哪些突破呢？
圖 1 人肺的單細胞分析
1 月份搜集到高分文獻（IF>10）26 篇，表 1 按照在線時間順序列出了文章所在期刊、研究方向，分選平臺以及英文題目等。
表 1 2020 年 1 月單細胞測序高分文獻集錦 
我們知道 2011 年，《Nature Methods》將單細胞測序列為當年度值得期待的技術之一；2013 年 1 月，《Science》雜志將單細胞測序列為年度值得關注的六大領域榜首；2014 年 1 月，《Nature Methods》將單細胞測序列為 2013 年度重要的方法學進展。讓人興奮的是 2020 年 1 月 6 號《Nature Methods》將單細胞多組學分析選為了“Method of the Year 2019”，并在線發表 5 篇相關文章（表 1 中標黃部分）。
其中，加利福尼亞大學圣地亞哥分校任兵教授在文章“Single-cell multimodal omics: the power of many”中分享了單細胞多組學的實驗設計。文章首先總結現有的單細胞多組學測序技術的應用范圍，包括細胞核內 DNA，RNA，DNA 甲基化，染色體開發程度，染色體三維結構，胞質 RNA，線粒體基因組，細胞表面蛋白質以及基于 CRISPR 的測序技術。
圖 2 已開發的同時分析單細胞表觀遺傳特征、DNA 序列、基因表達變異和細胞表面蛋白的方法。藍色代表低通量高成本的測序技術，棕色代表高通量低成本的測序技術。
然后作者總結現有技術的不足和發展的方向，比如單細胞基因檢測數較少（可通過實驗設計改善）；單細胞蛋白組學不成熟（提高靈敏度和通量）；空間測序技術只用于轉錄組（應擴展到其他組學）。
圖 3 現有單細胞多組學技術的不足和發展方向
同時在線的另外一篇文章“Computational methods for single-cell omics across modalities”則講述了單細胞多組學聯合分析方法。分析對象：整合不同數據對象（ATAC，RNA，蛋白）的同時，保留細胞類型固有生物學差異。實際問題：批次效應處理，ATAC/RNA 整合，CITE-seq 數據分析等。基本方法：CCA/ 非負矩陣分解 / 自編碼等。基本原理：多組學整合的思路與批次效應去除的思路相似，combat 是基于線性回歸的批次效應去除方法，CCA 是 Seurat 剛開始處理批次效應的基本方法，后來用于 ATAC/RNA 整合的方法 anchor 也是基于 CCA，ATAC/RNA 整合的方法也可以用非負矩陣分解。未來可期：RNA 和 ATAC 組合可以促進調控網絡研究；空間數據可以輔助細胞間相互作用的分析；整合 Bulk 數據和單細胞數據。
圖 4 單細胞多組學聯合分析不同計算方法的示意圖
1 月份單細胞測序另一個突破就是和空間轉錄組實現強強聯合，以獲得目標組織的三維空間轉錄組圖譜。2020 年 1 月 13 日，《Nature Biotechnology》上發表了“Integrating microarray-based spatial transcriptomics and single-cell RNA-seq reveals tissue architecture in pancreatic ductal adenocarcinomas”的文章。作者對 3 個胰腺導管癌（PDAC）組織 A、B、C 進行 scRNA-seq（indrop-seq），同時對 2 個主要樣本（A、B，各 3 張切片），4 個附加樣本（D、E、F 和 G，各 1 張切片），共 10 張切片做空間轉錄組（ST）。樣品 A 和 B 的 scRNA-seq 和 ST 的數據集信息通過多模式相交分析（Multimodal intersection analysis，MIA）進行整合，就是用超幾何算法檢驗細胞亞群的 marker 基因與組織亞區的 marker 基因重疊的數目是否達到顯著水平，若顯著，則認為該細胞亞群與該組織亞區相對應。
作者確定了組織中亞區中特定的細胞類型后，通過進一步細分細胞亞群和組織亞區，再次利用 MIA 算法進行映射，獲得了更為詳細的細胞位置 - 類型信息。作者利用得到的 MIA 結果繪制了不同腫瘤樣本微環境的特點，免疫環境狀態，應激水平以及細胞之間相互作用的模式，有助于預判患者預后。可見，MIA 算法的開發可將高分辨率的 scRNA-seq（單細胞水平）和帶空間位置信息的 ST 結合，為全面解析組織生物學信息提供了技術支撐。
圖 5 實驗設計與分析示意圖。手術切除的 PDAC 腫瘤同時進行 scRNA-seq 和 ST 處理。聚類后，根據特異表達的基因推斷每個簇的細胞類型。剩余組織的冷凍切片用于 ST 分析，其中每個點捕獲組織中特定位置細胞中的轉錄組。將多模式相交分析（MIA）應用于兩個數據集，揭示了各種細胞類型的空間分布。
