2020 年 1 月，整个中国因新型冠状病毒 2019-nCov 得了一场“感冒”。疫情一开始，武汉病毒研究所石正丽团队就用实验证实了血管紧张素转化酶 2（Angiotensin-converting enzyme 2，ACE2）是新型冠状病毒感染人体的受体基因。2020 年 1 月 26 日，上海同济大学医学院左为研究团队在《bioRxiv》上发表了题为“Single-cell RNA expression profiling of ACE2, the putative receptor of Wuhan 2019-nCov”的文章。
该研究利用已有的数据库，结合单细胞 RNA 测序技术中相关生信分析，对 ACE2 在人肺内单个细胞的表达情况进行了分析，共涉及 8 个样本，43134 个细胞。结果表明：ACE2 受体主要在一部分（1% 左右）II 型肺泡上皮细胞（AT2) 中表达；同时发现这些 AT2 细胞除了表达病毒受体，还表达与病毒复制和传播相关的基因，说明其很可能是冠状病毒的靶细胞。可见，单细胞测序技术不仅是科研的利器，同时还为破解疫情做了应有的贡献。那么，1 月份利用单细胞测序技术在基础研究中还有哪些突破呢？
图 1 人肺的单细胞分析
1 月份搜集到高分文献（IF>10）26 篇，表 1 按照在线时间顺序列出了文章所在期刊、研究方向，分选平台以及英文题目等。
表 1 2020 年 1 月单细胞测序高分文献集锦 
我们知道 2011 年，《Nature Methods》将单细胞测序列为当年度值得期待的技术之一；2013 年 1 月，《Science》杂志将单细胞测序列为年度值得关注的六大领域榜首；2014 年 1 月，《Nature Methods》将单细胞测序列为 2013 年度重要的方法学进展。让人兴奋的是 2020 年 1 月 6 号《Nature Methods》将单细胞多组学分析选为了“Method of the Year 2019”，并在线发表 5 篇相关文章（表 1 中标黄部分）。
其中，加利福尼亚大学圣地亚哥分校任兵教授在文章“Single-cell multimodal omics: the power of many”中分享了单细胞多组学的实验设计。文章首先总结现有的单细胞多组学测序技术的应用范围，包括细胞核内 DNA，RNA，DNA 甲基化，染色体开发程度，染色体三维结构，胞质 RNA，线粒体基因组，细胞表面蛋白质以及基于 CRISPR 的测序技术。
图 2 已开发的同时分析单细胞表观遗传特征、DNA 序列、基因表达变异和细胞表面蛋白的方法。蓝色代表低通量高成本的测序技术，棕色代表高通量低成本的测序技术。
然后作者总结现有技术的不足和发展的方向，比如单细胞基因检测数较少（可通过实验设计改善）；单细胞蛋白组学不成熟（提高灵敏度和通量）；空间测序技术只用于转录组（应扩展到其他组学）。
图 3 现有单细胞多组学技术的不足和发展方向
同时在线的另外一篇文章“Computational methods for single-cell omics across modalities”则讲述了单细胞多组学联合分析方法。分析对象：整合不同数据对象（ATAC，RNA，蛋白）的同时，保留细胞类型固有生物学差异。实际问题：批次效应处理，ATAC/RNA 整合，CITE-seq 数据分析等。基本方法：CCA/ 非负矩阵分解 / 自编码等。基本原理：多组学整合的思路与批次效应去除的思路相似，combat 是基于线性回归的批次效应去除方法，CCA 是 Seurat 刚开始处理批次效应的基本方法，后来用于 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负矩阵分解。未来可期：RNA 和 ATAC 组合可以促进调控网络研究；空间数据可以辅助细胞间相互作用的分析；整合 Bulk 数据和单细胞数据。
图 4 单细胞多组学联合分析不同计算方法的示意图
1 月份单细胞测序另一个突破就是和空间转录组实现强强联合，以获得目标组织的三维空间转录组图谱。2020 年 1 月 13 日，《Nature Biotechnology》上发表了“Integrating microarray-based spatial transcriptomics and single-cell RNA-seq reveals tissue architecture in pancreatic ductal adenocarcinomas”的文章。作者对 3 个胰腺导管癌（PDAC）组织 A、B、C 进行 scRNA-seq（indrop-seq），同时对 2 个主要样本（A、B，各 3 张切片），4 个附加样本（D、E、F 和 G，各 1 张切片），共 10 张切片做空间转录组（ST）。样品 A 和 B 的 scRNA-seq 和 ST 的数据集信息通过多模式相交分析（Multimodal intersection analysis，MIA）进行整合，就是用超几何算法检验细胞亚群的 marker 基因与组织亚区的 marker 基因重叠的数目是否达到显著水平，若显著，则认为该细胞亚群与该组织亚区相对应。
作者确定了组织中亚区中特定的细胞类型后，通过进一步细分细胞亚群和组织亚区，再次利用 MIA 算法进行映射，获得了更为详细的细胞位置 - 类型信息。作者利用得到的 MIA 结果绘制了不同肿瘤样本微环境的特点，免疫环境状态，应激水平以及细胞之间相互作用的模式，有助于预判患者预后。可见，MIA 算法的开发可将高分辨率的 scRNA-seq（单细胞水平）和带空间位置信息的 ST 结合，为全面解析组织生物学信息提供了技术支撑。
图 5 实验设计与分析示意图。手术切除的 PDAC 肿瘤同时进行 scRNA-seq 和 ST 处理。聚类后，根据特异表达的基因推断每个簇的细胞类型。剩余组织的冷冻切片用于 ST 分析，其中每个点捕获组织中特定位置细胞中的转录组。将多模式相交分析（MIA）应用于两个数据集，揭示了各种细胞类型的空间分布。
