Seurat v5

Seurat是一款用于细胞质控和分析的单细胞RNA-seq数据分析工具。它旨在使用户能够识别和解释单细胞转录组数据中的异质性来源，并整合多种类型的单细胞数据。

近日，单细胞数据分析工具Seurat发布了最新版本v5 测试版，重点更新了空间和多组学整合分析模块。

据官网介绍，此次更新主要带来了以下变动：

⒈基于测序和成像的空间数据集分析

⒉多组学整合分析

⒊更高的计算性能和更低的硬件要求

⒋关于版本兼容性

01

基于测序和成像的空间数据集分析

尽管目前基于测序（ Visium、SLIDE-seq 等）和基于成像（MERFISH/Vizgen、Xenium、CosMX 等）的空间转录组技术都具有独特的优势，但针对该类技术产生的数据都需要定制特殊的分析方法、软件工具等。

在 Seurat v5 中，作者引入了灵活多样的方法以支持各种空间数据类型，并支持单细胞数据与空间数据的整合、反卷积和Niche（生态位）识别等（图1.1，图1.2）。

02

多组学整合分析

单纯基于转录组数据识别细胞身份，仍然无法充分解释一些深层次的细胞异质性问题。目前，最新的实验技术已能够对单个细胞的染色质可及性、组蛋白修饰和蛋白质水平进行检测。

在 Seurat v5 中，作者引入了“桥接”（Bridge）整合，这种统计学方法可整合不同组学的实验结果（如单独的 scRNA-seq 和 scATAC-seq 数据集），整合过程中使用了单独的多组学数据集作为分子“桥梁”。在测试案例中，作者演示了如何将 scATAC-seq 数据集映射到 scRNA-seq 数据集，以帮助用户解释和注释来自多种组学的整合数据（图2）。

此外，尽管跨数据集匹配细胞类型对于许多问题可能很重要，但用户也可能难以分辨哪种方法是最合适的，以及整合可能带来的分辨率的损失。在 Seurat v5 中，作者引入了灵活且简化的工作流程，用于整合多个单细胞转录组数据集。这样可以更轻松地探索不同整合方法的结果，并将这些结果与不含整合步骤的流程进行比较。

03

更高的计算性能和更低的硬件要求

单细胞测序数据集的大小和规模正在迅速增加，甚至超过了摩尔定律。在 Seurat v5 中，作者引入了新方法来分析、解释和探索跨越数百万个细胞的数据集，即使它们无法完全加载到内存中。

具体而言，作者引入了一种“抽样”的分析方法，将大型数据集的代表性子样本存储在内存中以实现快速和迭代分析，而完整数据集仍可通过磁盘存储访问。此外，作者还通过 Ben Parks 在 Greenleaf 实验室开发的 BPCells 包实现高性能分析。该方法通过创新的位打包压缩技术、优化的 C++ 代码以及使用流线型和惰性操作来实现高性能分析。这使得使用笔记本电脑分析数据成为可能。在测试案例中，作者对高达130 万个脑细胞数据集和来自多项研究的 150 万个细胞数据集分别进行了分析测试（图3.1，图3.2）。

04

关于版本兼容性

虽然 Seurat v5 引入了新功能，但用户不必担心。作者已确保该版本与低版本的Seurat兼容，以便用户能够继续现有分析。由于 Seurat v5 仍处于测试阶段，CRAN 安装（install.packages("Seurat")）将继续安装 Seurat v4，但用户可以按照安装页面中的说明选择加入 Seurat v5版本，并行测试。

参考资料：https://satijalab.org/seurat/articles/get_started_v5.htmlhttps://satijalab.org/seurat/articles/spatial_vignette.html