单细胞转录组分析结果不好，或许你可以试试细胞特异性网络（CSN）的度矩阵（NDM）(一)-CSDN博客

传统单细胞转录组或bulk转录组方法大多主要集中于基因表达水平的分析。但是有时候致病基因的表达情况并没有发生改变，而是基因间调控关系发生了改变。

下面介绍一篇利用基因间调控关系来研究疾病的方法：

什么是CSN?

简单来讲就是每个细胞都有一个基因互作的网络（下面这张图代表的是每个细胞里的基因互作网络，各不相同）

网络构建大多方法是基于相关性，而相关性的方法需要多个样本（多个细胞）的基因表达才能计算。那像它这种每个细胞一个网络怎么做的？

CSN和NDM构建方法

该方法的H (0)（零假设）：基因x和y在细胞k中是独立的。

H (1)（备择假设）：基因x和y在细胞k中相互关联。

首先，对基因x和y的表达值制作散点图，其中每个图代表一个细胞，然后我们在细胞k 附近画三个框浅、中、深灰色，代表x基因，y基因以及x，y基因的领域。简单来说就是深灰色的点越多，说明x和y基因的相互依赖程度越高。

因此利用公式可以计算出来一个统计量：

该统计量的范围是 -1 到 1，如果x和y彼此独立，则统计量ρ (xy)（k）近似服从正态分布，平均值和标准差为

最后设置显著性阈值，如果如果统计量大于阈值就说明两个基因相互依赖。

以下是基因x和y相互独立（A）基因x和y在部分细胞中相互依赖（B）,基因x和y在所有细胞中相互依赖（C）的情况，

用这个方法就可以计出细胞中所有基因两两之间的相互依赖性。

进一步构建基于细胞特异网络（CSN）的网络度矩阵（NDM），其中每个元素并非基因表达水平，而是每个CSN中连接到每个基因的边数。NDM体现了网络特征，反映了网络中每个基因的重要性。其行数和列数与原始GEM相同，因此任何现有的scRNA-seq方法都可以对其进行细胞聚类和伪轨迹构建分析，从而为从网络视角分析scRNA-seq数据开辟了一条新途径。在各种scRNA-seq数据集上的实验表明，在大多数聚类和伪轨迹方法中，NDM在准确率和稳健性方面均优于原始GEM。

结果表现

该研究发现了这些基因的Degree随时间变化产生剧烈波动，这在基因表达上是观察不到的。

在细胞亚群分簇时也表现更好的性能

同时这个方法也适用于bulk转录组数据

这项研究后面也基于TCGA腺癌和鳞状细胞癌bulk RNA-seq数据的GEM与NDM比较，( A ) GEM与NDM的聚类性能(t-SNE)。不同颜色代表不同的细胞类型。( B ) SPRR2E基因的表达水平FPKM和网络度。( C ) 基于NDM可将鳞状细胞癌分为S1和S2两部分，生存分析显示S1与S2之间存在显著差异。