細胞的轉錄狀態來自于一個潛在的基因調控網絡(GRN)，在這個網絡中，有限數量的轉錄因子和輔助因子相互調控，并調控它們的下游靶基因。組織內細胞異質性的基礎是細胞轉錄狀態的差異，轉錄狀態的特異性又是由轉錄因子主導的基因調控網絡所決定并維持穩定的。因此分析單細胞的GRNS有助于深入挖掘細胞異質性背后的生物學意義。

2017年發表在Nature Methods雜志上的SCENIC算法，利用scRNA-seq數據，同時進行基因調控網絡重建和細胞狀態鑒定，應用于腫瘤和小鼠大腦單細胞圖譜數據，提出并證明了順式調控網絡分析能夠用于指導轉錄因子和細胞狀態的鑒定。SCENIC（single-cell regulatory network inference and clustering）官網：https://scenic.aertslab.org/ ,是一款分析轉錄因子活性的軟件，其可基于單細胞轉錄組數據來推斷轉錄因子、基因調控網絡和細胞類型。SCENIC分析的核心是利用motif enrichment將候選TF調控因子與候選靶基因連接起來。此軟件目前配置了人、小鼠、果蠅數據庫，其他物種需要自己構建數據庫。

我們統計發現百篇文獻中近20%的文獻中存在此次分析結果，共出現33次，文獻中的出現的結果如下：

這是我們復現結果，如下：使用AUCell算法來對每個細胞中的每個regulon的活性進行評分。

上圖為各組細胞中regulons的RAS（regulon activity score）活性熱圖。行表示不同的regulon，列表示不同的細胞，顏色越紅代表RAS活性得分越高，進而表示regulon在該組中的活性越強。

除了展示轉錄因子在不同亞群的活性，我們還可以挑選各個單細胞亞群特異性的轉錄因子構建特異性熱圖，各組中regulons的RSS（regulon specificity score）特異性熱圖展示如下：

行表示不同的regulon，列表示不同的組別,顏色越紅代表RSS特異性得分越高，進而表示regulon在該組中的特異性越強。 我們還可以用散點圖來展示每個亞群中轉錄因子的特異性排序，各組regulons特異性排序圖結果如下：

橫坐標表示排名，縱坐標表示RSS得分，RSS越高的調控子可能與該細胞群特異性相關，帶標簽的點代表RSS得分top3的regulon。 為了更好地展示研究成果，可以將我們所關注的在特定亞群中特異性表達的轉錄因子單獨畫FeaturePlot展示圖，結果如下，這樣得到的可視化結果更容易與我們之前的分析聯系起來。

左一為轉錄因子原始AUC表達分布，左二為轉錄因子標準化AUC表達分布，右一為單細胞數據按照細胞類型的分群結果。可以看到轉錄因子在monocytes亞群和cdc亞群中高度表達。 然后，我們通過RAS來計算不同regulon之間的相關性系數（PCC, Pearson Correlation Coefficient），基于PCC，計算了CSI（Connection Specificity Index）來衡量regulon pairs之間的相關性，構建Regulon模塊的CSI（connection specificity index）關聯性聚類熱圖，展示結果如下：

行、列均表示regulon，顏色越黃表示CSI關聯性越高，CSI都高的regulon可能具有相似的細胞功能，共同調控下游基因。

我們也可以提取所關注的轉錄因子單獨構圖，可以得到以下結果：

以上為本次單細胞測序高級分析SCENIC分析的結果，其他高級分析且聽下回分解。