镇楼综述：
- Best practices for single-cell analysis across modalities - Nature Reviews Genetics - 2023
最新的主流单细胞分析工具集
Milo
Differential abundance testing on single-cell data using k-nearest neighbor graphs - NBT - 2022
https://github.com/MarioniLab/miloR
Differential abundance testing with Milo - Mouse gastrulation example
Milo能够不依赖预先确定的细胞簇而识别出在不同条件之间具有差异丰度的细胞群。它的邻域定义克服了基于聚类分析的主要局限性，适用于具有不同拓扑结果的数据集，避免了耗时的迭代聚类过程，并且能够识别细微的丰度差异。随着各种生物和组织的单细胞参考图谱的生成，越来越多的研究致力于量化细胞群在疾病、衰老和发育中是如何变化的。在这些研究中，Milo都能作为一个有效的差异丰度分析工具。此外，Milo也可能适用于scRNA-seq以外的单细胞分析，例如多组学分析。
Differential abundance (DA) in neighbourhoods
这也能发NBT，就是把最常用的cell population的case control对比barplot给规范化了，也就是KNN的neighbourhoods。也挺好，我就有了规范化的工具可以用了，但我的兴趣肯定不在这种工具的开发上（统计和编程）。
参考：
SCENIC+
SCENIC+: single-cell multiomic inference of enhancers and gene regulatory networks - NM - 2023
https://scenicplus.readthedocs.io/en/latest/
SCENIC+是一个三步工作流程，包括识别候选增强子，识别富集的tf结合基序，并将tf与候选增强子和靶基因连接起来(图1a)。输出是一组增强子驱动的调控子(eRegulons)，形成eGRN。
- 1. 使用pycisTopic对可访问染色质(scATAC-seq)数据的单细胞分析进行预处理，找到候选增强子(图1b)。
- 2. 使用了基序富集分析在候选增强子中发现潜在的TFBSs。创建了迄今为止最大的motif集合，并构建了一个名为pycisTarget的Python包。
- 3. Motif collection是一个二级数据库，包含从29个collection(图1d)中收集的32,765个唯一motif，以及TF注释。
参考：
CellRank
https://cellrank.readthedocs.io/en/latest/
https://github.com/theislab/cellrank
CellRank for directed single-cell fate mapping - NM - 2022
Unified fate mapping in multiview single-cell data - 2023 - preprint
CellRank 基于更加全面的信息建立了一种鲁棒的细胞轨迹推断算法，适用于不同的样本类型，如再生、重编程和疾病类型的组织。此外，CellRank 还可以结合其他已有方法的特点进行后续的个性化分析，如调用 Palantir 或者 scVelo 方法计算分化轨迹的拟时间，调用 PAGA（Probabilistic Approximate Graph Abstraction）算法构建细胞群体水平的分化轨迹。
参考：
Dictys
Dictys: dynamic gene regulatory network dissects developmental continuum with single-cell multiomics - 2023 - NM
https://github.com/pinellolab/dictys
该方法可用于从单细胞转录组和染色质可及性数据中重建、分析和可视化上下文特异性和动态 GRN。通过综合基准测试表明，Dictys 与现有的静态 GRN 推断方法相比具有卓越的性能，尤其是在细胞类型特异性和数据驱动的可重复性方面。
参考：