Single-Cell Omics for Transcriptome CHaracterization (SCOTCH): isoform-level characterization of gene expression through long-read single-cell RNA sequencing

本文介绍了 SCOTCH，这是一种支持多种长读长单细胞测序平台的端到端分析流程，通过建模非重叠子外显子、动态阈值判定及迭代聚类策略，显著提升了单细胞水平上已知转录本的定量精度和新型异构体的重建能力。

要点

这篇论文介绍了一个名为 SCOTCH 的新工具，它就像是一个超级智能的“基因翻译官”，专门用来解读细胞里的“长篇故事”。

为了让你更容易理解，我们可以把细胞里的基因表达想象成图书馆里的书籍，而这篇论文解决的是如何精准地阅读和分类这些书的问题。

1. 背景：为什么我们需要 SCOTCH？

想象一下，你有一个巨大的图书馆（细胞），里面有很多本书（基因）。

• 旧方法（短读长测序）： 就像你只能拿到书的几页碎片。你能知道这本书大概讲什么（比如是讲“免疫”还是“消化”），但你很难知道这本书具体有几个章节、有没有被删减过、或者有没有不同的“精装版”和“平装版”（这些就是异构体/Isoforms）。
• 新技术（长读长测序）： 现在的技术（如 Nanopore 和 PacBio）能让我们直接拿到整本书。这太棒了！但是，整本书很长，而且有时候书页会有折角、墨迹模糊（测序错误），或者好几本书长得特别像（基因相似），导致很难分清哪一页属于哪本书。

之前的电脑程序（旧工具）在处理这些“整本书”时，要么因为太挑剔把很多书扔掉了，要么因为太混乱把不同的书拼凑错了。

2. SCOTCH 是什么？

SCOTCH（全称：Single-Cell Omics for Transcriptome CHaracterization）就是为了解决这个问题而生的新一代智能分类系统。

它的名字很有趣，就像一杯苏格兰威士忌，虽然烈（功能强大），但能让人清醒（理清混乱的数据）。

它的核心绝招（用比喻解释）：

• 把书拆成“积木块”（非重叠子外显子）：
  SCOTCH 不把整本书当成一个整体，而是把书拆成一个个标准的“积木块”（子外显子）。它看每一页（读段）覆盖了哪些积木块。

  • 比喻： 就像拼乐高，不管书多长，只要看它是由哪些特定的积木拼出来的，就能知道它是哪本书。

• 动态的“模糊识别”（动态阈值）：
  以前的程序很死板：如果书页有点模糊（测序错误），它就判定“这不是这本书”。
  SCOTCH 很灵活：它会根据模糊的程度动态调整标准。如果模糊一点点，它依然能认出这是这本书；如果模糊太多，它才放弃。

  • 比喻： 就像你认老朋友，即使他戴了墨镜、留了胡子（噪音），你也能认出他；但如果他完全变了样，你才会说“我不认识”。

• 像“社交网络”一样找新书（Louvain 聚类）：
  当遇到一本完全没见过的书（新异构体）时，SCOTCH 不会乱猜。它会把这些“陌生书页”聚在一起，看它们喜欢和谁玩（共享哪些积木块）。

  • 比喻： 就像在派对上，一群陌生人如果都戴着同样的帽子、拿着同样的饮料，SCOTCH 就会把他们归为一类，推断出他们属于同一个“新书系列”。

• 去伪存真（迭代聚类）：
  有时候，因为书页破损（截断），看起来像两本不同的书，其实是一本书。SCOTCH 会反复检查，把那些因为破损而“分裂”的假书合并回去。

  • 比喻： 就像把被撕碎的报纸重新拼好，发现它们其实只是同一份报纸的不同部分，而不是两份不同的报纸。

3. 它厉害在哪里？（实验结果）

作者用了很多真实数据（比如人类的血液细胞和大脑类器官）来测试 SCOTCH，发现它比以前的工具强很多：

1. 看得更准： 它能更准确地数出每种“书”（异构体）有多少本，不会把 A 书算成 B 书。
2. 发现更多“新书”： 它能发现以前被忽略的、从未被记录过的“新书”（新异构体），而且很少把垃圾当成新书（假阳性低）。
3. 适应性强： 不管你是用 10X Genomics 还是 Parse Biosciences 的实验室设备，也不管是用 Nanopore 还是 PacBio 的测序仪，SCOTCH 都能处理。
4. 揭示细胞秘密：
   • 在血液细胞中，它发现有些细胞虽然“总书量”（基因表达量）没变，但“书的版本”（异构体）变了。这就像一个人虽然体重没变，但肌肉和脂肪的比例变了，这对理解疾病（如免疫反应）非常重要。
   • 在大脑类器官中，它成功区分了“神经元”和“神经前体细胞”，因为它们虽然基因相同，但使用的“书版本”完全不同。

4. 总结

简单来说，SCOTCH 是一个超级智能的图书管理员。

在以前，面对成千上万本长篇幅、有破损、长得还很像的“基因书籍”，管理员们经常搞混，或者把很多书扔掉。SCOTCH 通过拆解积木、灵活辨认、社交归类这三招，不仅能精准地数清每一本书，还能发现那些藏在角落里的、从未被记录过的“绝版新书”。

这项技术让我们能以前所未有的清晰度，看清细胞内部复杂的运作机制，为理解人类健康和疾病（如癌症、免疫疾病、神经发育）打开了新的大门。

技术摘要

1. 研究背景与问题 (Problem)

尽管单细胞 RNA 测序（scRNA-Seq）技术极大地推动了基因组学发展，但传统的短读长测序（short-read）难以捕捉复杂的基因组区域和完整的转录本多样性，无法有效解析全长异构体或新的剪接事件。

长读长测序技术（如 PacBio 和 Oxford Nanopore Technologies, ONT）的出现解决了全长转录本测序的问题，但也带来了新的计算挑战：

• 异构体定量的模糊性：即使长读长减少了比对模糊性，但在重叠基因、嵌合转录本或同一基因的不同异构体之间，读段（reads）的分配仍存在不确定性。现有工具往往直接丢弃模糊读段或采用静态阈值，导致读段丢失和定量不准。
• 新异构体重建的困难：现有的基于剪接图（splice-graph）的方法（如 Bambu, IsoQuant, FLAMES 等）对比对噪声敏感，容易产生碎片化的转录本模型或冗余结构，难以在灵敏度和特异性之间取得平衡。
• 单细胞数据的特殊性：许多现有工具最初是为批量（bulk）RNA-seq 设计的，缺乏对单细胞条形码（barcode）和唯一分子标识符（UMI）的自动化处理能力，或者依赖短读长数据辅助条形码识别，限制了其作为纯长读长工具的应用。
• 技术演进：随着 ONT R10 测序芯片的推出，测序错误率显著降低（~1%），使得不再需要依赖短读长数据进行纠错，但缺乏能充分利用这一优势并专注于异构体结构解析和新型异构体发现的专用工具。

2. 方法论 (Methodology)

SCOTCH 是一个平台无关的端到端流程，支持 Nanopore 和 PacBio 测序，以及 10X Genomics 和 Parse Biosciences 的单细胞建库方案。其核心流程包括：

A. 数据预处理与比对

• 输入：支持厂商标记的 BAM 文件（如 10X wf-single-cell, Iso-seq, Parse pipeline）。
• 子外显子编码：将异构体建模为**非重叠子外显子（non-overlapping sub-exons）**的组合。
• 动态阈值策略：根据读段与子外显子的覆盖百分比应用动态阈值，而非固定阈值。这能有效处理测序噪声和 Poly(A) 拖尾引起的伪影，减少读段丢失。
• 模糊比对处理：利用读段比对得分（mapping scores）优先解决基因级别和异构体级别的模糊比对（如重叠基因或嵌合读段），确保读段被分配到最可能的转录本，而非直接丢弃。

B. 新异构体发现与注释

• 三种模式：
  1. 仅注释模式 (Annotation-only)：仅使用现有 GTF 文件。
  2. 无注释模式 (Annotation-free)：仅依赖读段覆盖信息推断结构。
  3. 增强注释模式 (Enhanced-annotation, 默认)：结合现有注释和读段覆盖信息，通过识别覆盖率的急剧变化和剪接位点来优化子外显子边界，发现新外显子（如内含子保留、5'/3' 可变剪接）。
• 迭代聚类策略：
  • 对未比对到已知异构体的读段，构建读段 - 读段相似性图（基于子外显子匹配模式）。
  • 使用 Louvain 聚类算法将读段分组为一致的候选转录本结构。
  • 在伪批量（pseudo-bulk）水平推断候选新异构体，然后进行迭代重比对。
  • 利用多比对证据合并冗余结构，防止因测序噪声导致的转录本模型膨胀。

C. 统计分析与差异转录本使用 (DTU)

• 统计模型：采用 Dirichlet-Multinomial 分布拟合每个基因在细胞群体中的平均转录本使用情况，并引入过离散参数（$\phi$）来量化细胞间的异构体共表达变异性。
  • 小 $\phi$ 值：细胞间异构体使用模式相似。
  • 大 $\phi$ 值：细胞间异构体使用模式差异大（互斥表达）。
• 假设检验：使用似然比检验（Likelihood Ratio Test）检测：
  • 基因水平：不同细胞群体间转录本组成是否发生显著变化。
  • 转录本水平：特定异构体是否差异使用。
  • 异构体切换 (Isoform Switching)：识别主导异构体在不同细胞群之间发生切换的事件。

3. 关键贡献 (Key Contributions)

1. 首个支持 Parse Biosciences 平台的工具：SCOTCH 是第一个公开支持 Parse Biosciences 单细胞建库方案（适用于难以解离的细胞群，如神经元、心肌细胞）的长读长分析工具。
2. 解决模糊比对与读段丢失：通过动态阈值和基于比对的得分策略，显著提高了读段的唯一映射率，减少了数据稀疏性，无需依赖短读长辅助。
3. 改进的新异构体发现：相比传统的剪接图方法，SCOTCH 通过子外显子边界优化和迭代聚类，在保持高精确度（低假阳性）的同时，显著提高了新异构体的召回率（Recall），并减少了转录本模型的冗余。
4. 平台无关性与全流程支持：统一处理 10X 和 Parse 的建库数据，以及 Nanopore 和 PacBio 的测序数据，实现了从原始数据到异构体水平定量和差异分析的全流程自动化。
5. R10 芯片优势的验证：通过实验证明，使用 ONT R10 芯片配合 SCOTCH，可以在无需短读长数据的情况下，实现高精度的异构体水平分析。

4. 实验结果 (Results)

A. 模拟研究 (Simulation)

• 数据：基于 1080 个基因（含 70% 已知异构体，30% 作为“真实”新异构体）模拟了 1500 万条读段。
• 定量准确性：SCOTCH 在已知异构体的定量上与 IsoQuant 相当（相关系数 >0.9），但在基因水平定量上显著优于其他工具（相关系数 0.689 vs 其他工具 <0.25）。
• 新异构体发现：
  • 召回率 (Recall)：SCOTCH 召回了 56.1% 的真实新异构体，是 IsoQuant (25.7%) 的两倍以上，且优于 FLAMES 和 Bambu。
  • 精确度 (Precision)：SCOTCH 保持了 88.2% 的高精确度，且转录本模型冗余度极低（平均每个真实异构体对应 1.13 个预测模型），避免了碎片化。
  • 综合表现：SCOTCH 的 F1 分数 (0.686) 在所有工具中最高。
• DTU 信号保留：SCOTCH 能最准确地保留模拟数据中的差异转录本使用信号。

B. 真实数据验证 (PBMCs & Cerebral Organoids)

• 技术对比：在 PBMC 数据中，R10 芯片在 Edit Distance (ED) 为 1 时即可达到与 ED=2 相当甚至更好的细胞/基因/UMI 检出率，且与短读长数据结果高度一致，验证了无需短读长辅助的可行性。
• 细胞类型识别：SCOTCH 生成的基因水平计数矩阵比 IsoQuant 更密集，保留了更多细胞（PBMC 中 4664 vs 1406），从而更准确地识别细胞类型（如单核细胞、B 细胞等）。
• 生物学发现：
  • DTU 分析：在 PBMC 中发现了大量基因水平无差异但转录本水平有差异的基因（如 TSC22D3 和 EIF6）。例如，TSC22D3 在单核细胞和其他细胞中总表达量不变，但主导异构体发生了切换。
  • 新异构体验证：在 EIF6 基因中发现了一个包含新剪接位点的新异构体，并通过 PCR 和 Sanger 测序在 PBMC 和 K562 细胞系中得到实验验证。
  • 脑类器官数据：在 10X-PacBio 数据中，SCOTCH 识别出 194 个神经元与祖细胞之间的差异转录本使用基因（IsoQuant 仅识别 13 个），这些基因富集于突触后密度蛋白和 FMRP 靶标，揭示了神经发育中的关键异构体切换。

5. 意义与影响 (Significance)

• 推动单细胞转录组学进入异构体时代：SCOTCH 证明了利用长读长测序技术可以在单细胞分辨率下全面解析转录组复杂性，包括全长异构体、新剪接事件和异构体切换，这是短读长技术无法实现的。
• 提升数据利用率：通过减少读段丢弃和优化模糊比对，SCOTCH 显著提高了长读长单细胞数据的利用效率，降低了测序深度要求。
• 实验验证的可靠性：通过 PCR、qPCR 和 Sanger 测序等多重实验验证，证实了 SCOTCH 在发现新异构体和定量异构体使用方面的准确性。
• 资源与工具：研究生成的多平台基准数据集（PBMC 和脑类器官）以及开源的 SCOTCH 软件，为后续开发更先进的单细胞长读长分析算法提供了宝贵的资源和标准。
• 未来方向：该工作为理解细胞异质性、疾病机制（如癌症中的异构体切换）以及开发基于异构体的生物标志物奠定了坚实基础。

总结：SCOTCH 是一个强大且鲁棒的计算框架，它克服了长读长单细胞测序中的主要计算瓶颈，实现了从数据预处理到异构体水平生物学发现的全流程分析，显著提升了我们对单细胞转录组复杂性的理解能力。