單細胞實驗能夠研究特定區域內各細胞的基因表現。單細胞轉錄組數據 (scRNA-Seq)資料通常具有高度的唯一性，在採樣、實驗操作、實驗條件等多個環節影響下，不同批次的樣本數據之間存在著較大的差異，進而影響了分析的結果。例如進行Cluster分析時，容易將不同批次的相同型態細胞畫分到不同的群體中 (圖一)。因此，將不同批次的樣本放在一起分析時將會是一項很大的挑戰。為了保證scRNA-Seq資料的可靠性，需要對數據進行移除批次效應 (batch effect)的處理。Harnomy (R package) 是能夠有效消除批次效應的一種方法，透過降維的空間座標值 (一般使用PCA的降維結果)調整Cluster的結果 (圖二)，可以在保留細胞類型的同時，最大限度地降低批次效應，為後續的數據分析提供更高的可信度，同時能夠降低使用的計算資源。

如何解讀單細胞實驗結果並完整闡述是後期分析的另一項大考驗。有許多文獻提到分析 Cell-Cell communication (Ligand-Receptor)資訊，透過 Ligand-Receptor的連結來推測細胞群之間的互動關係。透過找出個別細胞群的差異表現基因後，透過CellChat (R package)進行分析，將基因的表現量與已知的Cell-Cell communication資料來模擬細胞間的交互作用概率 (圖三)。而Ligand Receptor的定義來自KEGG資料庫及其他實驗證實的文獻。目前CellChatDB把訊號傳導分為三大類，分別為Secreted Signaling、Extracellular Matrix (ECM) receptor interactions及Cell-Cell contact interaction。通過使用CellChat，可以深入了解細胞間的交互作用，並揭示生物學過程中的關鍵調控機制。

#scRNA_Seq

#CellChat

#R_package

#NGS