scRNA-seq數據差異基因表達分析的有效方法有哪些？
我們知道RNA-seq即轉錄組測序，是某個物種或者特定細胞類型產生的所有轉錄本的集合，而單細胞RNA測序（single-cell RNA-seq，簡稱scRNA-seq）則是以單個細胞為特定研究對象，提取其mRNA進行逆轉錄並進行高通量測序分析，可體現出個體細胞內表達水平的具體變化，目前已廣泛應用在生物學、醫藥研發、臨床醫學等各個領域。
除此之外，scRNA-seq分析相比RNA-seq分析還具有多模態性、大量的零計數和稀疏性。
多模態性：
單細胞基因表達是一個隨機過程，因此其表達值存在高度變異性。換句話說，表達水平與細胞亞型和細胞在整個細胞周期中的狀態有關。因此，細胞之間的生物學差異，如不同的細胞類型、不同的mRNA含量和不同的細胞狀態，導致基因表達值的多模態和異質性。
大量的零計數和稀疏性：
scRNA-seq數據的另一個特點是大量的零計數。但是並非所有從樣本單元檢測到的零計數都是真正的零表示。這只是意味著在測序過程中可能無法檢測到一些真正表達的基因。這是由於少量的起始RNA導致許多轉錄物低於檢測閾值。此外，低捕獲效率可能會錯過大量的逆轉錄過程。因此，我們可以觀察到「drop-out」現象，即在這些細胞處於相同的條件下，其中一些轉錄物在某些細胞中強烈表達，但在其他細胞中未表達。
正是由於這些特性才推動了scRNA-seq數據分析鑑別差異基因表達方法的發展，以下舉幾個專門針對scRNA-seq數據提出的新方法新模型的例子：
1、使用兩部分聯合模型來檢測差異表達基因，以適應多模態表達值和「drop-out events」；一部分模型對應於正常觀察到的基因，另一部分模型對應於「drop-out events」。
（參考文獻：Bayesian approach to single-cell differential expression analysis.）
2、MAST：使用hurdle model來表示零計數和陽性表達值，然後使用邏輯回歸和線性回歸分別識別每個部分的DE基因（differentially expressed genes）。
（參考文獻：MAST: a flexible statistical framework for assessing transcriptional changes and characterizing heterogeneity in single-cell RNA sequencing data.）
3、使用線性模型——廣義加性模型（GAMS）來識別DE基因。
（參考文獻：The dynamics and regulators of cell fate decisions are revealed by pseudotemporal ordering of single cells.）
4、scDD：考慮了四種不同模式的分布在生物和跨生物條件下的基因表達值。
（參考文獻：A statistical approach for identifying differential distributions in single-cell RNA-seq experiments.）
5、非參數方法：D3E，使用兩個非參數方法，Cramer-von Mises實驗和Kolmogorov Smirnov實驗，比較每個基因在不同條件下的表達值的分布，以確定DE基因。
（參考文獻：A statistical approach for identifying differential distributions in single-cell RNA-seq experiments.）
6、SigEMD：結合數據填補方法、邏輯回歸模型和非參數方法，精確有效地識別scRNA-seq數據中的DE基因，
（參考文獻：SigEMD: A powerful method for differential gene expression analysis in single-cell RNA sequencing data.）
你們還知道哪些方法，或者有什麼新的idea，來與小編聊聊吧。