scDRS 单细胞疾病相关分数

基因组学与单细胞RNA测序的结合

目前复杂疾病研究方法热点之一就是多组学多方法的结合，近来多种新的结合方法中，scDRS是比较有代表性的将基因组学与单细胞RNA测序的结合的方法，类似的方法还有sc-linker等，这类方法也属于一个新的交叉领域单细胞遗传学（Single-cell Genetics）。

传统的基因组学与单细胞测序的结合的方法，例如MAGMA或是LDSC-SEG本质上还是基于细胞特异表达的基因集而进行的富集检测，而近来以scDRS为代表的方法则利用scRNA-seq的表达矩阵进一步深入至单个细胞的层面，能够或得更高的分辨率，这对解析疾病异质性，疾病关联的细胞亚群等方面可以发挥巨大作用 （就是让精准医疗更精准）。

scDRS的全称是 single-cell disease relevance score, 单细胞疾病相关分数，正如其名称类似于多基因分风险分数的PRS，该方法结构上或多或少也类似PRS的构建和计算方法，不过这里的个体是一个一个的细胞。PRS用于评估个体疾病的风险，而scDRS则评估细胞是否高表达疾病相关的基因。注意这里的R，一个是risk风险 （有方向），一个是relevance相关（没有方向），概念上的差异。

scDRS的方法概况

  1. 首先从GWAS结果构建疾病基因集：使用MAGMA和目标疾病的GWAS sumstats进行基因水平的关联检验，得到每个基因与疾病关联的Z分数，选定前1000个基因作为假定的疾病基因 （这个步骤不是方法的重点，除了MAGMA也可以使用其他类似方法构建疾病基因集）
  2. 然后计算单个细胞的疾病分数：scDRS会对每个细胞进行计算，量化假定疾病基因的整体表达。为了最大化检验效能，会根据MAGMA所得Z分数进行加权，同时根据每个基因在单细胞测序中特异的技术性噪音进行进行加权。
  3. 最后scDRS对所有基因集和细胞，标准化其原始的疾病分数以及原始的对照分数。然后基于所有基因集和细胞的标准化后分数的经验分布，计算每个细胞的P值。
  4. 利用得到的分数可以进行多种下游分析，分析包括（1）单个细胞层面的关联性检验（2）细胞类型关联性检验 以及（3）基因关联性检验等， 这些分析的P值均通过MC检验（Monte Carlo 蒙特卡洛检验）获得。

用例（下游分析）

分析与表型相关的细胞类型

相比于传统方法LDSC或MAGMA，scDRS可以检验细胞类型的相关性，还可以检验同一细胞类型内的异质性。

作者列举了 22个表型与19种细胞的关联结果的热力图，Y轴为表型，X轴为细胞类型，方框表示显著相关，×表示细胞类型内的异质性，颜色深浅表示显著关联细胞的比例。

发现存在异质性的细胞亚群

作者研究了自身免疫性疾病中T细胞的异质性，11个T细胞群中（a），与IBD相关的T细胞构成了4个新的群（b）。

基因-分数的关联分析

scDRS检验基因是否与GWAS由来的基因集中的基因共表达。

相比于MAGMA，scDRS能更准确地识别出疾病相关的基因

典型的分析流程

只需要GWAS的Sumstats和单细胞RNA测序的数据，好消息是这两个都可以很容易从公开数据库中获得。

具体流程官方文档以及大牛博客已经写得很详细了，

分析代码可以参考 https://martinjzhang.github.io/scDRS/

以及 https://zhuanlan.zhihu.com/p/592128325

注意的点

  1. scDRS的假设是基因集里的基因与疾病有关，与疾病有关的基因会在疾病相关的细胞群体（可以是疾病细胞或健康细胞）里高表达，与基因的方向无关。 scDRS并不是假设基因集里的基因会在疾病细胞里高表达。注意这里概念上细节的差别。（https://github.com/martinjzhang/scDRS/issues/42）
  2. 基本数据要求：为了能够得到足够的检验效能，GWAS的heritability z-score最好大于5,或样本量大于10万。（https://martinjzhang.github.io/scDRS/faq.html#which-gwas-and-scrna-seq-data-to-use）
  3. Seurat格式的数据需要转换为scanpy使用的h5ad格式（表达矩阵不能有负值，Seurat的scaled.data里表达矩阵会有负值，转换时要注意）(https://github.com/martinjzhang/scDRS/issues/44)；转换可以使用 SeuratDisk https://mojaveazure.github.io/seurat-disk/articles/convert-anndata.html
  4. 为了增加检验效能，单细胞RNA测序可以事先进行 imputation （https://github.com/martinjzhang/scDRS/issues/32）
  5. -adj-prop 可以调整细胞类别的比例 (当某些细胞种类比例过高的时候) （https://github.com/martinjzhang/scDRS/issues/32）
  6. 显著细胞的数太少：正常现象，仍然可以进行group分析（检验效能通常更高） （https://martinjzhang.github.io/scDRS/faq.html#scdrs-detected-few-significant-cells-fdr-0-2）

参考

Zhang, M. J., Hou, K., Dey, K. K., Sakaue, S., Jagadeesh, K. A., Weinand, K., … & Price, A. L. (2022). Polygenic enrichment distinguishes disease associations of individual cells in single-cell RNA-seq data. Nature genetics, 54(10), 1572-1580.

留下评论