服務(wù)熱線02152235399
帶您走進(jìn)更加真實的微觀細(xì)胞世界
單細(xì)胞測序（single cell sequencing）是指在單個細(xì)胞水平上，揭示全基因組范圍內(nèi)的所有基因表達(dá)情況，包括鑒定組織細(xì)胞類型，反映不同樣本間的細(xì)胞異質(zhì)性和組織微環(huán)境，讓您真正了解一塊Bulk組織的每一個細(xì)胞的真實狀態(tài)和關(guān)聯(lián)，呈現(xiàn)更加真實和全面的細(xì)胞世界。 2013年，單細(xì)胞測序技術(shù)被《Nature Methods》列為年度技術(shù)，同年位居《Science》年度最值得關(guān)注的六大領(lǐng)域榜首；2015年再登Science轉(zhuǎn)化醫(yī)學(xué)封面，2018年位居《Science》十大科學(xué)突破榜首。目前，單細(xì)胞測序技術(shù)在腫瘤、發(fā)育生物學(xué)、微生物學(xué)、神經(jīng)科學(xué)、以及植物學(xué)等領(lǐng)域發(fā)揮重要作用，已經(jīng)成為生命科學(xué)研究的焦點。
烈冰單細(xì)胞測序為了準(zhǔn)確快速地進(jìn)行單細(xì)胞測序研究，基于前沿的研究文獻(xiàn)進(jìn)行多重優(yōu)化，真正做到準(zhǔn)確可靠全面的單細(xì)胞測序解析
10X Genomics單細(xì)胞捕獲平臺起源自Drop-Seq技術(shù)，通過"雙十字"微流控系統(tǒng)形成一個個含有細(xì)胞和凝膠微珠（aelbead）的油包水的乳滴（GFMs），其核心技術(shù)在干凝膠微珠美面的引物序列，由標(biāo)記細(xì)胞的Barcode、標(biāo)記細(xì)胞內(nèi)mRNA的UMI和捕獲mRNA的PolvdT組成。10X Genomics ChromiumTM系統(tǒng)可實現(xiàn)數(shù)千至數(shù)百萬個單細(xì)胞的分析，解決常規(guī)scRNA-seq在通量或擴(kuò)展性方面存在的不足。
BD Rhapsody?單細(xì)胞分析系統(tǒng)的誕生基于 BD 在細(xì)胞生物學(xué)領(lǐng)域 40年的專業(yè)技術(shù)， 采用CytoSeq特有的蜂窩板技術(shù)進(jìn)行單細(xì)胞捕獲。該技術(shù)用20W+的微孔（該數(shù)量級遠(yuǎn)大于Input細(xì)胞數(shù)量），保證單孔中的單細(xì)胞捕獲。同時避免了傳統(tǒng)微流控系統(tǒng)中存在的概率碰撞影響捕獲效率的問題，采用微孔捕獲相對會有更好的捕獲效率，保證Input細(xì)胞的全面使用。
烈冰“智造”PanoCell V2.0版微孔芯片，全面升級外觀、捕獲材質(zhì)、微孔精密程度、細(xì)胞落孔率和細(xì)胞捕獲效率，提供自研蜂巢板+BD平臺原裝進(jìn)口單細(xì)胞分選試劑+華大T7超高通量測序儀的服務(wù)新方案，達(dá)到準(zhǔn)確穩(wěn)定的單細(xì)胞實驗結(jié)果，媲美BD原裝的平臺服務(wù)實力，烈冰智造一直不斷努力提高新產(chǎn)品和服務(wù)水平，以提供更高效、成本更低的國產(chǎn)化單細(xì)胞捕獲方案！
BD FACSMelody?細(xì)胞分選儀結(jié)合BD高端分選儀技術(shù)與智能自動化軟件，將簡便易用的分選儀推向一個新高度。便捷的操作可幫助節(jié)約儀器調(diào)試的時間，并且提供質(zhì)量可重復(fù)的檢測結(jié)果。BD FACSMelody?細(xì)胞分選儀讓更多的研究者可以使用復(fù)雜的流式細(xì)胞儀和分選技術(shù)獲得更想要的細(xì)胞，提高實驗室效率。
組織、血液、培養(yǎng)的細(xì)胞系、制備好的單細(xì)胞懸液
注：若客戶樣本為組織，且尚未成功將組織樣本消化成單細(xì)胞懸液，烈冰將盡可能提供技術(shù)及實驗上的幫助，但因不同類型樣本的特異性，無法保證實驗方法適用于所有類型組織。
細(xì)胞活性大于70%，濃度為500-2000細(xì)胞/μl，
體積不小于200μl，細(xì)胞培養(yǎng)基及緩沖液不能含Ca2+和Mg2+，細(xì)胞體積小于40μm。
采用Fastp軟件對下機(jī)原始數(shù)據(jù)進(jìn)行質(zhì)控，對質(zhì)控后測序數(shù)據(jù)中的cell barcode信息及其對應(yīng)的counts數(shù)進(jìn)行統(tǒng)計，判斷測序樣本中實際檢測到的細(xì)胞數(shù)量，獲得樣本的測序細(xì)胞數(shù)，并根據(jù)最終確認(rèn)的cell barcode信息提取對應(yīng)的reads。
注：橫坐標(biāo)為細(xì)胞數(shù)量，縱坐標(biāo)為每個細(xì)胞對應(yīng)的平均counts數(shù)，根據(jù)曲線的斜率判斷實際檢測的細(xì)胞數(shù)量
以cell barcode對應(yīng)的reads為研究對象，采用STAR算法將測序數(shù)據(jù)比對到物種對應(yīng)的基因組上，獲得基因組比對的bam文件。再以bam文件以及基因組注釋文件為研究對象，將比對到同一基因上的UMI進(jìn)行合并，并去除其中重復(fù)的UMI序列，得到每個基因的UMI數(shù)量，統(tǒng)計每個細(xì)胞中檢測到的基因數(shù)以及轉(zhuǎn)錄本數(shù)量，并得到表達(dá)量矩陣表。
注：左圖為細(xì)胞中總共檢測到的基因數(shù)量，右圖為去除重復(fù)UMI后統(tǒng)計的基因數(shù)量
利用基因組比對結(jié)果以及表達(dá)量結(jié)果對測序檢測到的細(xì)胞進(jìn)行過濾，去除細(xì)胞中基因檢測數(shù)少、線粒體基因占比大的細(xì)胞，統(tǒng)計過濾后的細(xì)胞數(shù)量并得到對應(yīng)的表達(dá)量矩陣表。采用數(shù)據(jù)標(biāo)準(zhǔn)化方法（CPM/RLE/UQ/TMM/scran/Downsampling等），對不同樣本中細(xì)胞基因表達(dá)量進(jìn)行標(biāo)準(zhǔn)化，得到標(biāo)準(zhǔn)化后的表達(dá)量矩陣表。
注：橫坐標(biāo)表示每個細(xì)胞中UMI的數(shù)量，縱坐標(biāo)表示線粒體基因的占比情況
基于每個細(xì)胞中的基因表達(dá)量數(shù)據(jù)，采用聚類算法對細(xì)胞進(jìn)行亞群分析，同時采用t-SNE分析對細(xì)胞的分群結(jié)果進(jìn)行可視化展示。同時，還可以對不同樣本中各細(xì)胞亞群的占比情況進(jìn)行統(tǒng)計分析。
Chen, et al.Nature?Cell?Biology, ?2021 Jan;23(1):87-98.
注：左圖為前列腺腫瘤組織細(xì)胞亞群鑒定t-SNE圖展示；右圖細(xì)胞亞群分群情況
鑒定不同細(xì)胞亞群中的Marker基因，并對Marker基因的表達(dá)分布進(jìn)行可視化展示。
Zhang et al., Glia. 2021 Mar;69(3):765-778.
注：?marker基因的Feature Plot圖和Violin圖
針對所有或者特定細(xì)胞亞群，進(jìn)行細(xì)胞亞群間差異表達(dá)基因篩選，獲得細(xì)胞亞群間差異表達(dá)基因。
Zhang, et al. Glia.?2021 Mar;69(3):765-778.
注：該圖為不同細(xì)胞亞群間差異基因聚類分析Heatmap圖
分別采用NCBI/UNIPROT/SWISSPROT/AMIGO等GO數(shù)據(jù)庫，以及KEGG數(shù)據(jù)庫，對Marker基因/差異基因進(jìn)行功能分析和信號通路分析，從而得到這些基因群體所顯著性富集的GO條目和Pathway條目。
Zhang C, et al. J Immunother Cancer 2021;9:e002312.
注：該圖為不同cluster之間差異基因顯著富集的GO/Pathway條目
基于已知的轉(zhuǎn)錄因子靶點數(shù)據(jù)庫，以及轉(zhuǎn)錄因子和靶基因的表達(dá)矩陣，采用SCENIC算法，對于轉(zhuǎn)錄因子的調(diào)控網(wǎng)絡(luò)進(jìn)行計算，得到在每一個細(xì)胞中表達(dá)的轉(zhuǎn)錄因子的調(diào)控基因以及調(diào)控強(qiáng)度。
Chen, et al. Nature Communication 2020;?11:5077
注：該圖為不同cluster之間轉(zhuǎn)錄因子調(diào)控強(qiáng)度heatmap圖
基因集表達(dá)激活度定量分析，采用方差膨脹因子（VIF）診斷共線性的方法對于諸如KEGG基因集、GSEA基因集、甚至研究者自己搜集的基因集在Cluster中的富集度進(jìn)行分析，比較不同Cluster所富集的基因集的差異。
Chen, et al.Nature?Cell?Biology, ?2021 Jan;23(1):87-98.
注：該圖為不同cluster之間信號同理調(diào)控強(qiáng)度熱圖
以細(xì)胞的表達(dá)量數(shù)據(jù)為研究對象，采用TSCAN/monocle/SLICER/Ouija等算法，在虛擬時間軸上對細(xì)胞的變化模式進(jìn)行分析，模擬重建細(xì)胞的動態(tài)變化過程，獲得細(xì)胞間的狀態(tài)轉(zhuǎn)換關(guān)系，以及不同狀態(tài)細(xì)胞間差異基因的表達(dá)情況。
Chen, et al.Nature?Cell?Biology, ?2021 Jan;23(1):87-98.
注：細(xì)胞間狀態(tài)轉(zhuǎn)換的pesudotime軌跡圖（左）、軌跡中細(xì)胞占比餅圖（左下） 和?Heatmap圖（右）
以細(xì)胞亞群的基因表達(dá)量數(shù)據(jù)為研究對象，獲得細(xì)胞中的配體及受體基因的表達(dá)信息，采用Cellphone DB算法以及數(shù)據(jù)庫，得到細(xì)胞亞群間的信號通訊關(guān)系，并計算獲得關(guān)系的顯著性和強(qiáng)度。
Chen, et al. Nature Communication 2020;?11:5077
注：左圖：橫坐標(biāo)表示細(xì)胞類型，縱坐標(biāo)表示細(xì)胞間通訊配受體關(guān)系，圓圈大小表示顯著性差異水平，圓圈顏色越紅表示細(xì)胞間通訊關(guān)系越強(qiáng)
以TCGA臨床信息以及篩選到的關(guān)鍵基因為研究對象，結(jié)合TCGA臨床數(shù)據(jù)，進(jìn)行預(yù)后分析，獲得該基因/基因集與臨床預(yù)后之間的關(guān)系。
Zhang C, et al. J Immunother Cancer 2021;9:e002312.
注：橫坐標(biāo)表示生存期，縱坐標(biāo)表示占比，不同顏色曲線代表不同分組
