《Nature Methods》提出scPerturb资源平台，整合44个单细胞扰动数据集（涵盖转录组、表观组、蛋白组读值），并通过能量统计量（E-statistics）量化扰动效应，旨在解决单细胞扰动数据的互操作性差、缺乏统一分析方法的问题，推动计算工具开发和实验设计优化。

引言

单细胞扰动实验通过靶向基因或蛋白的干预，解析细胞调控网络，但因数据规模化和技术差异，存在以下问题：

1. 数据异构性：不同研究的数据格式、技术（CRISPR、小分子药物等）和测序深度差异显著，跨数据集分析困难。

2. 分析方法瓶颈：

• 伪批量分析（pseudo-bulk）忽略单细胞间的异质性。

• 缺乏统计工具比较扰动效果的差异（如基因敲除与药物扰动的对比）。

3. 实验设计优化需求：现有研究对细胞数量、测序深度等参数缺乏标准化指导，导致结果可比性低。

本文目标：

• 建立scPerturb数据库，统一质控流程和注释。

• 引入E-statistics，量化扰动强度与相似性，支持跨数据集的标准化分析。

方法概述

scPerturb构建与E-statistics流程：

1. 数据整合：

• 收集44个公共数据集，涵盖CRISPR基因编辑（knockout/i/a）、药物扰动、细胞因子刺激等多技术平台。

• 统一预处理：标准化质控（过滤低质量细胞/基因）、注释扰动靶点及分子读值。

2. E-statistics分析：

• E-距离计算：基于PCA降维后的单细胞表达谱，计算扰动组与对照组之间的分布差异。公式核心：组间距离均值 vs 组内距离均值（公式详见原文）。

• E-test显著性检验：通过蒙特卡洛置换检验评估扰动效果的统计显著性。

3. 工具开发：提供Python（scperturb）和R（scperturbR）包，支持用户自定义分析。

数据集覆盖多样性及质量控制

本文整合的44个数据集涵盖单细胞转录组（32个）、表观（3个）、蛋白（2个）及多模态数据（9个），CRISPR技术占比72%（基因敲除/激活/干扰），药物扰动占比21%。

UMI中位数在1,000-20,000间波动，基因检出数中位为2,500-5,000。

部分数据集（如NormanWeissman2019）因双靶点CRISPRa设计，扰动信号更强。

E-距离量化扰动强度异质性

不同数据集E-距离差异显著，如NormanWeissman2019（CRISPRa双靶点）的平均E-距离最高。

其中：

• 强扰动组（如CEBPA+KLF1共敲除）：UMAP中与未扰动细胞明显分离

• 弱扰动组（如TGFBR2敲除）：E-距离低（<10），细胞群与对照组重叠

• E-test验证60%扰动在P<0.05水平显著

基于E-距离的扰动功能聚类

干扰素γ信号通路案例：

在Papalexi*Satija2021数据集中，敲除IFNGR1/2、JAK2、STAT1的E-距离矩阵聚类显示高度相似性，反映其在IRF1上游的级联调控。

下游基因（如SMAD4）扰动则形成独立聚类，佐证功能模块差异

实验参数对分析结果的影响

细胞数阈值

当单扰动组细胞数<200时，E-test假阴性率显著上升；>500细胞/扰动组可稳定检测80%显著效应。

测序深度

UMI数>1,000/细胞时，E-test敏感性饱和；低深度下虽E-距离降低，但统计显著性仍保留。

参考资料

Peidli, S., Green, T.D., Shen, C. et al. scPerturb: harmonized single-cell perturbation data. Nat Methods 21, 531–540 (2024).

代码链接： https://github.com/sanderlab/scPerturb/