植物单细胞测序 细胞悬液与细胞核悬液哪个更好

目前的单细胞测序技术已经不再新鲜。 一方面如果想在高水平期刊上发表文章，建议做重复实验，以避免审稿人质疑。 另一方面，是否做重复取决于单细胞测序在文章中的地位。 如果文章是组学数 据为重要支撑，建议做重复； 如果是偏向分子生物学、分子功能验证的文章、组 学只是作为辅助性论证，这种情况不做重复问题不大。

如果实验处理一致，可以做重复。 需要查看数据的一致性，如果一 致性高，问题不大。

建议使用同一家公司进行测序，因为不 同公司的处理方案不同，可能会引入差异。 如果是同一家公司处理，分批次测序影响较小，但理想情况下还是一次性测完最好。

通常情况下，我们建议进行批次效应处理，因为单细胞数据在制备阶段可能会引入处理效应。 常用的软件中自带这些算法，建议进行批次效应处理，以提高聚类效果。

如果研究物种较为成熟，可以选择细胞悬液。 但从我们的经验来看，细胞核悬液更快、更高效，成功率也更高，所以通常建议使用细胞核悬液。

从原理上来说，细菌的RNA大部分不带poly-A结构，所以用单细胞测序检测大量内生菌数据比较难。 但在实际项目中，我们发现有些细菌的RNA含有poly-A结构，或者转录本的序列有连续的A结构，这些都可以被捕获。 因此，可以尝试挖掘这部分数据，但不要抱太高的预期。

可以。 基迪奥生物对冷冻样本有一套成熟的样本处理方案，按照我们送样手册要求准备样本即可。

植物可以做细胞通讯分析，但目前相关数据库较少，结果可能不如人类研究那么可靠。

可以同时分析病原体和植物的转录组变化。 单细胞测序可以检测到病原体和植物的RNA，因此可以进行关联分析。

具体问题具体分析。 通常默认分辨率下分群结果已经足够多，但需要根据细胞注释结果来判断是否需要合并或再分群。

单细胞RNA测序数据的相关性通常在0.8以上被认为是较好的，但具体的相关性值会因实验条件、样本处理和分析方法的不同而有所变化。 对于技术重复的样本，相关性通常需要达到0.9以上； 而对于生物重复的样本，相关性在0.8左右是可以接受的。

可以。 降维只是做细胞分类分群，后期分析时可以将不同的亚群单独提取出来进行分析。

多个处理可以一起聚类分析，但多个物种不建议放在一起分析，因为基因差异较大，聚类效果不好。 建议分别分析各个物种的数据，再进行比较。

目前没有具体标准，但在单细胞测序中，通常使用P值或Q值作为阈值。 推荐的P值阈值是小于0.05，差异倍数可以根据研究需要灵活调整，通常在1.5倍或1.3倍之间。 如果是寻找marker基因，差异倍数可以适当提高。

可能有以下几种原因：

Seurat中自带差异基因分析模块，但富集分析需要使用其他工具，如GO或KEGG富集分析。

这是一个很好的问题。 在实际操作中，不同的细胞纳入分析会导致结构变化。 拟时序分析本质上是一种聚类分析，不同软件或不同基因集的选择会导致不同的结果。 因此，我建议在进行分析时，考虑生物学问题和预期。 基于生物学背景进行判断，而不是仅依靠数据本身。

在cluster特征基因分析中，通常使用差异表达分析来找到marker基因。具体步骤如下：

是的，看特异性表达。 我们使用序列比对的方法鉴定了豌豆中的同源基因，然后通过激光切割鉴定其特异性表达。 此外，还可以使用原位杂交等手段来验证这些marker基因是否在特定组织类型上特异性表达。

是的，通常情况下，marker基因是那些在特定细胞类型中显著差异表达的基因。 通过BLAST比对，可以鉴定出这些基因在其他物种中的同源基因。 然后，通过分析这些基因的表达模式和特异性，可以确定它们是否适合作为marker基因。

最好都要验证，但考虑到工作量，可以选择部分细胞进行验证，特别是论文中最核心的部分。

是的，细胞类型比例的变化通常需要与表型进行关联分析。 这有助于理解不同细胞类型在不同条件下的功能变化。 例如，在病理条件下，某些细胞类型的比例可能会显著增加或减少，这些变化可以提供关于疾病机制的重要线索。

可以通过以下几种方法来确定转录因子与启动子互作区域：