怎样实现单细胞测序数据最大化

单细胞数据分析的第一步就是分亚群（当然前期肯定是需要先做数据预处理的），通过样本比较发现新的细胞亚群或比例差异显著的亚群。亚群分好之后最重要的一步（也是最难的一步）就是对亚群进行细胞类型注释了。我们会结合细胞类型marker基因、细胞类型注释软件和文献数据做比对的方法综合进行注释。

第二步：寻找marker标志，根据自己实验数据的分类亚群，找每一个亚群特异表达的marker基因。如果某个亚群只在疾病组样本里表达，那么这个亚群的marker基因也可以作为疾病潜在的maker标志物。

第三步：功能研究分析疾病机制和潜在的治疗靶点1、亚群功能注释单细胞数据分析最有意义的一步某过于对亚群进行功能注释了，搞清楚每个亚群的具体功能，再结合亚群在不同分组样本中的变化（细胞比例或基因表达），就可以搞清楚疾病的发病机制（哪些细胞类型的改变以及哪些功能的改变导致疾病的发生），从而可以寻找潜在的疾病机制和治疗靶点。2、样本整体功能比较分析样本整体上不同功能的变化，同时可以结合亚群的注释来分析哪些亚群影响了样本的这些功能的改变，起到了一个互相补充和相互验证的效果。3、拟时序分化分析分析亚群之间的分化关系以及分化过程中功能的变化，一方面可以分析亚群之间的演变关系，这也可以从另一个层面对亚群功能进行诠释。

第四步：TCR/BCR分析如果是同时做了TCR或BCR实验的，我们也可以结合mRNA测序分析不同样本和不同细胞类型TCR或BCR的克隆扩增情况。

选用权威的数据库如：

1.scRNASeqDB

scRNASeqDB是由美国研究人员开发的第一个人类单细胞转录组数据库

2.HCA 人类细胞图谱（Human Cell Atlas）计划，是目前规模比较大、覆盖比较全面的单细胞数据库，致力于建立一个健康人体所包含的所有细胞的参考图谱。

3.SCEA SCEA(Single Cell Expression Atlas)是欧洲EMBL-EBI的单细胞数据库，收录了各种疾病类型的单细胞数据，包括18个物种、229个study、597万个细胞。

4.HCL HCL(Human Cell Landscape)是2020年3月25日，由浙江大学基础医学院与浙江大学附属医院合作完成的人类细胞图谱相关研究成果于《Nature》在线发表。

5.CancerSEACancerSEA是由哈尔滨医科大学研发，提供了一个破译癌症单细胞功能状态的数据库，并在单细胞水平上将这些功能状态与蛋白编码基因(PCGs)和lncRNA联系起来，以促进对癌细胞功能差异的机制性理解。

单细胞测序可参考的数据库有以下可参考！

CellMarker：http://biocc.hrbmu.edu.cn/CellMarker/

PanglaoDB：https://panglaodb.se/index.html

CancerSEA：http://biocc.hrbmu.edu.cn/CancerSEA/home.jsp

Mouse Cell Atlas：http://bis.zju.edu.cn/MCA/index.html

SCPortalen：http://single-cell.clst.riken.jp/

Single Cell Expression Atlas：https://www.ebi.ac.uk/gxa/sc/home

SignatureDB：https://lymphochip.nih.gov/signaturedb/

Single Cell Portal：https://singlecell.broadinstitute.org/single_cell

KIT（肾脏单细胞数据库）：http://humphreyslab.com/SingleCell/

血管细胞数据库：http://betsholtzlab.org/VascularSingleCells/database.html

脑细胞数据库：https://web.stanford.edu/group/barres_lab/brain_rnaseq.html