副标题：

很多小伙伴在后台表示对单细胞数据分析里面的拟时序分析不理解，恰好最近看到了一个超级清晰明了的展现拟时序分析的作用的文献，分享给大家。它完美的展现了差异分析为什么不够，为什么拟时序分析就是差异分析的细节剖析。

发表在NATURE COMMUNICATIONS | (2021) 的 文章：《CD177 modulates the function and homeostasis of tumor-infiltrating regulatory T cells》，链接是：https://www.nature.com/articles/s41467-021-26091-4 就做了差异分析：

最开始是 13,433 PB and 12,239 TI cells，整体来进行降维聚类分群后，根据 FOXP3 and CD25 (IL2RA) 定位到Treg亚群， 分别是 160 PB and 574 TI Treg cells

降维聚类分群

如果是这两个分组做差异分析，273 differentially-expressed genes (DEGs) (Log fold-change > 1, adjusted p-value < 0.05) by comparing TI versus PB Treg cells.

而且作者在自己的ccRCC单细胞矩阵里面以及一个公共数据集HCC里面，都展现了类似的差异分析，并且筛选共有基因：

差异基因及其交集

这样的差异分析，尽管说做了交集，但是仍然是很多细节丢掉了，得到的仅仅是上下调这样的属性，忽略了它具体的每个基因在这两个单细胞亚群里面的渐变的趋势。

既然细胞数量并不多，跑一下 Monocle 2 algorithm ，可以看清楚上下调的变化趋势，甚至发现隐藏的变化模式：

a Trajectory manifold of Treg cells from the ccRCC using the Monocle 2 algorithm. Solid and dotted lines represent distinct cell trajectories/fates defined by expression profiles.

拟时序的结果

拟时序虽然就展现了上面的一个图，但是具体的代码步骤还是有点难度哦。下面的代码是复制粘贴即可使用的哈，我们以 SeuratData包里面的 pbmc3k 数据集举例说明，主要是需要把Seurat包的对象转变为 monocle里面的单细胞对象！