single cell analysis - after cell type annotation

📌 Single-cell 분석에서 Cell Type Annotation 이후에 할 수 있는 추가 분석들

Cell type annotation 이후에는 세포의 특성과 기능을 더 깊이 이해하고,
특정 생물학적 질문에 답하기 위해 다양한 분석을 수행할 수 있어.

---

1️⃣ 차등 발현 유전자(DEA, Differential Expression Analysis) 분석

👉 각 세포 유형에서 특이적으로 발현되는 유전자 찾기

• 목적: 세포 유형 간의 차이를 나타내는 특이적(marker) 유전자 찾기
• 방법: scanpy.tl.rank_genes_groups(), Seurat::FindMarkers() 사용
• 분석 예제:
  • 면역세포 vs. 종양세포에서 차등 발현되는 유전자 찾기
  • 특정 조건(예: 질병 vs. 정상)에서 발현 차이가 나는 유전자 분석

sc.tl.rank_genes_groups(adata, groupby="cell_type", method="wilcoxon")
sc.pl.rank_genes_groups(adata, n_genes=10, sharey=False)

---

2️⃣ 발현 시그니처 분석 (Gene Set Enrichment Analysis, GSEA)

👉 특정 세포 유형에서 활성화된 생물학적 경로(pathway) 분석

• 목적: 특정 세포 유형에서 어떤 기능이 활성화되는지 파악
• 방법: GSEA, AUCell, GSVA, singscore 등의 방법 사용
• 예제:
  • T세포에서 면역 반응 관련 경로(IFN-γ signaling)가 활성화되는지 분석
  • 암세포에서 세포 증식(growth) 관련 경로가 활성화되는지 확인

import gseapy as gp
gp.enrichr(gene_list=marker_genes, gene_sets='KEGG_2019_Human', organism='human')

---

3️⃣ 세포 상호작용 분석 (Cell-Cell Communication)

👉 세포 간 리간드-수용체(ligand-receptor) 상호작용 분석

• 목적: 세포 간 신호 전달 및 의사소통 확인
• 도구:
  • CellPhoneDB (cellphonedb method statistical_analysis)
  • NicheNet (ligand-target 예측)
  • CellChat (R 패키지)

cellphonedb method statistical_analysis your_meta.txt your_counts.txt

• 예제:
  • 면역세포(T cell)와 종양세포 간 신호 전달 분석
  • 섬유아세포와 암세포 간 상호작용 네트워크 확인

---

4️⃣ 의사발생 분석 (Pseudotime Analysis)

👉 세포가 분화하는 과정 추적

• 목적: 세포가 특정 상태에서 다른 상태로 변화하는 과정을 재구성
• 도구:
  • Monocle3 (R)
  • Scanpy.tl.dpt() (Python)
  • Slingshot (R)

sc.tl.dpt(adata)
sc.pl.dpt_groups_pseudotime(adata)

• 예제:
  • 줄기세포에서 분화하는 과정 추적
  • 암세포가 정상 세포에서 변형되는 경로 분석

---

5️⃣ 세포 아형(Subtype) 분석 및 클러스터 세분화

👉 이미 분류한 세포 유형을 더 세분화하여 분석

• 목적: 같은 세포 타입 내에서도 기능이 다른 세포 집단이 있는지 탐색
• 방법:
  • 특정 세포 유형만 필터링 후 다시 clustering 수행
  • 특정 마커 유전자 발현 패턴 기반으로 아형(subtype) 정의

adata_subset = adata[adata.obs['cell_type'] == 'T cell']
sc.tl.leiden(adata_subset, resolution=1.0)
sc.pl.umap(adata_subset, color='leiden')

• 예제:
  • CD8+ T세포를 세분화하여 effector, memory T cell 구분
  • 암세포 클러스터를 더 세부적으로 나누어 이질성 분석

---

6️⃣ 전사인자 네트워크 분석 (Transcription Factor Network)

👉 특정 세포 유형에서 중요한 전사인자 찾기

• 목적: 세포 특이적 전사인자(transcription factor, TF)를 분석하여 조절 네트워크 파악
• 도구: SCENIC (Python & R), DoRothEA, GRNboost2

import pyscenic
pyscenic.run(...)

• 예제:
  • 면역세포에서 FOXO1, T-bet과 같은 전사인자의 역할 분석
  • 암세포에서 MYC, TP53 등의 조절 네트워크 확인

---

7️⃣ 세포 메타볼리즘 분석 (Metabolic Analysis)

👉 세포 유형별 대사 경로(metabolic pathway) 특성 분석

• 목적: 세포 상태에 따라 대사 활성화 패턴이 어떻게 다른지 확인
• 도구:
  • scFEA (single-cell flux estimation)
  • MOUSE (metabolism analysis)

import scFEA
scFEA.analyze(adata)

• 예제:
  • 종양세포와 정상세포 간 대사 차이 분석 (예: Warburg effect)
  • 줄기세포 vs. 분화된 세포의 대사 패턴 비교

---

8️⃣ 공간 전사체 분석과 통합 (Spatial Transcriptomics Integration)

👉 single-cell 데이터를 공간 전사체 데이터와 통합하여 분석

• 목적: 특정 조직 내에서 세포가 어떻게 분포하는지 이해
• 도구:
  • Seurat v4 (R)
  • stLearn (Python)
  • SPOTlight (cell type deconvolution)

import stlearn
stlearn.load()

• 예제:
  • 종양 조직 내 특정 면역세포의 공간적 위치 분석
  • 신경세포에서 특정 영역(예: hippocampus)에서 활성화된 유전자 패턴 확인

---

📌 정리: Cell Type Annotation 이후 가능한 분석

분석 유형 주요 목적 사용 도구

차등 발현 분석 (DEA)	세포 유형별 특이 유전자 찾기	Scanpy, Seurat
발현 시그니처 분석 (GSEA)	기능적 경로 활성화 분석	GSEA, AUCell
세포 상호작용 분석	리간드-수용체 네트워크 분석	CellPhoneDB, CellChat
의사발생 분석 (Pseudotime)	세포 분화 과정 추적	Monocle, Scanpy
세포 아형 분석	같은 세포 유형 내 세부 클러스터링	Scanpy, Seurat
전사인자 네트워크 분석	세포 특이적 전사인자 찾기	SCENIC, DoRothEA
세포 메타볼리즘 분석	세포 유형별 대사 경로 분석	scFEA, MOUSE
공간 전사체 통합 분석	세포 유형의 공간적 분포 분석	Seurat v4, stLearn

---

💡 결론

Cell Type Annotation 이후에는 다양한 후속 분석이 가능하며, 연구 목적에 따라 세포 간 차이를 분석하거나, 유전자 조절 네트워크를 탐색하거나, 세포 간 상호작용을 연구할 수 있어. 🚀

특정 분석에 대해 더 깊이 알고 싶으면 질문해줘! 😊