劉小澤整理于2019.4.19+4.26
有幸參加了4.19的上海交大單細胞論壇，下面簡單記錄了一下會議內容

單細胞測序技術探索人類胚胎發育-湯富酬教授

簡介：湯老師課題組主要圍繞人類早期胚胎發育、多能干細胞的自我更新能力和多能性調控的分子機理，特別是表觀遺傳學調控機理，以及相關的原始生殖細胞發育過程中的表觀遺傳學重編程機理。利用單細胞功能基因組學分析技術(單細胞RNA-Seq轉錄組分析、單細胞DNA甲基化組測序技術、單細胞多組學平行測序技術等)，以及基因編輯技術、少量細胞染色體免疫共沉淀-高通量測序技術、單細胞基因組測序技術、小鼠胚胎顯微操作技術和胚胎干細胞體外定向分化等技術在單細胞和單堿基分辨率深入分析人類早期胚胎、生殖系細胞、以及多能干細胞中基因表達網絡的表觀遺傳學調控機理

主要做人類著床前胚胎，困難在于胚胎數量比較少，通常一個大型個體只有十幾個至幾十個胚胎，每個胚胎只有一個或者少量的細胞，后來到囊胚之后，又會有幾種不同類型的細胞，因此需要單細胞分辨率的方法去檢測基因表達；

另外還需要全基因組水平的單細胞檢測方法，人體細胞中有2萬多個基因，如果在受精卵里面去看這些基因的表達，需要一個一個去做，那么就需要幾萬個細胞，另外這樣沒有辦法看到基因與基因之間的正負相關關系。如果能拿一個細胞就檢測出所有的基因，不僅可以節省使用材料，而且還可以探究任何兩個基因之間正向或者負向相關。

目前單細胞技術已經被用在幾百個課題中，來檢測細胞異質性、細胞類型、細胞發育階段、每種階段中基因表達情況等等。

2009年在英國博后期間首創單細胞技術；

2013在北大組建團隊，關注基因表達調控(DNA甲基化如何影響胚胎早期發育)，開發了世界第一個單細胞DNA甲基化測序技術，使用人或小鼠的一個細胞，就可以檢測100萬個以上CpG甲基化位點。

當時遇到的困難：審稿人要求數據驗證，但是當時沒有這樣一種單細胞DNA甲基化測序方法，而且沒有單細胞CpG位點的檢測方法。因此又開發了單個細胞中單個CpG位點的檢測方法，然后研究了人類生殖細胞的DNA甲基化組是如何變化的。

知道了精子和卵細胞的基因組都是高甲基化的，發育第一個星期，大約有一半的CpG位點被擦掉，到了囊胚期多能性內細胞團細胞階段，大概只有43%甲基化位點留下；之后在胚胎發育的第二個星期，進行胚胎著床(粘到子宮壁上)，這個過程中甲基化會重新增加，結果比在精子和卵細胞中還要高一些，甲基化中位數在91%左右；著床后胚胎的所有體細胞也是存在hypermethylation（甲基化）狀態的，而原始生殖細胞中甲基化是要重新擦掉(擦掉上一代所有的甲基化，讓下一代根據基因組序列去重構表觀信息)；胚胎發育到10-11周時，基因組中絕大多數甲基化都被擦掉，甲基化中位數大約只有7%左右，但是這僅僅是總體平均水平，實際上與轉座相關的重復序列還有很多的甲基化留下來。一方面，當代想要盡可能去除上一代的"表觀記憶"，另一方面，又不想讓重復序列發生大量轉錄，造成大量轉座影響，導致基因組不穩定。這里胚胎就選擇了一個平衡：沒有轉座風險的地方就盡可能擦除甲基化，有轉座風險的地方就保留了一些甲基化，將上一代的一些表觀記憶帶到了下一代

同時，由于當時技術限制，沒有再深入探索。于是提出問題：精子甲基化比卵細胞要高很多（16%左右），那么精卵結合后甲基化比例怎么變化？是二者相等，還是繼續保持精>卵，又或者是發生了逆轉卵>精？

為了回答上面沒有論證的問題，又利用父母源基因組測序+單個細胞中雜合SNP信息的獲取，就可以分開一個細胞中的父源基因組和母源基因組，這樣可以做到半個單細胞的甲基化測序 (2018，Parental specific DNA methylation dynamics duiring human)，結果就發現，父源基因組去甲基化速度非常快，發生一次卵裂后父源基因組甲基化就比母源少8-10倍，也就是甲基化發生了強烈的逆轉，雖然這個差異是在著床前7天產生的差異，但是著床后雖然差異沒有那么大，但仍然父源會比母源基因組低2-3倍，也就是說，雖然父源開始想要把更多的甲基化信息傳遞到后代胚胎中去，但是因為著床后早期胚胎發育主要是依靠母源基因組，所以會把絕大多數父源甲基化信息擦掉。

表觀遺傳學中除了甲基化以外，染色質狀態也很重要，實驗室也開發了單細胞多組學的方法，可以看到DNA甲基化、染色質狀態、基因組拷貝數變異。大體方法就是：單細胞輕微裂解，保持細胞活性和染色質狀態=》體外甲基化處理（甲基化酶作用到GpC位點的胞嘧啶）=》哺乳動物內源甲基化在CpG位點，這個C位點與GpC的絕大部分是分開的，如果測到一個DNA序列是open chromatin狀態，也就是裸露的DNA雙鏈，上面的GpC位點會被甲基化；如果是核小體占位或者異染色體區域，那么GpC位點不會甲基化。

染色質狀態研究應用：
人早期胚胎只有60-80%可以正常發育的整倍體細胞，還有一些是多/少一兩條=》可以根據單細胞的拷貝數變異，分開胚胎中整倍體細胞和異常的非整倍體細胞=》實驗做了280多個單細胞的基因組分析，發現有60多個是非整倍體細胞=》
主要研究整倍體細胞=》
另外，研究了小鼠模型表觀基因組變化，發現與人差異較大，比如基因啟動子區域發揮作用是在小鼠1細胞到2細胞階段，在人胚胎中是4細胞到8細胞階段=》
最開始時卵的染色質很開放，精子的很致密；受精以后發生逆轉；8細胞后重新回落，父源與母源在每個單細胞中的開放程度是一樣的，這個現象是人類特有的=》小鼠模型還是存在局限性，還是直接研究人的胚胎更準確=》
生殖細胞發育不止在胚胎發育中存在，在出生后也是一直存在的，特別是精子發生過程，出生后還需要經歷一些復雜的階段，最后才能變成成熟的長尾巴的精子，但是這個過程研究復雜，因此利用了同步化小鼠胚胎發育到20個重要發育階段中=》
在每個重要階段進行轉錄組分析，找到重要的marker表達特點=》
每個發育階段大約需要3~4個marker，并且沒有跳躍連續發育過程，可以找到中間態=》
如果有的基因很早期就上調表達，那么很有可能就是一個master regulator gene；如果在比較晚才上調表達，那么有可能是一個下游執行基因

發現原型精子早期和晚期發育差異特別巨大，比其他任何兩個相鄰發育階段的差異都大。
提出一個現象：男性不育沒有長尾巴的精子，但有原型精子，因此醫院有時會利用原型精子做試管嬰兒，但結果仍然比有尾精子效率低很多。

猜測：不是原型精子本身不適合做試管嬰兒，而是由于原型精子早期和晚期之間差別很大，晚期效果要好于早期階段的精子

功能試驗（利用小鼠）：將原型精子分為早期和晚期階段，分別注射到小鼠成熟的卵細胞中，發現晚期的原型精子可以支持胚胎發育成囊胚并且效率較高，但早期不行=》目前正在嘗試人類胚胎，找到精子發生上下游級聯關系，成功的話可以提取晚期精子，提高體外胚胎成功率

探索人類精子發生過程：正常男性精子發生圖譜：睪丸中隨機挑選2000多個單細胞，進行scRNA分析，找到從精原干細胞到原型精子的整個發育階段以及每個階段重要marker基因表達的變化；更關心的是，男性不育患者精巢單細胞（患者的精巢中已經不存在生殖細胞，但是生殖細胞的微環境還在），利用單細胞測序發現了精巢中一個重要的體細胞--Sertoli Cell，與正常人相比發生了很大的基因表達變化，因此不僅生殖細胞沒有，而且體細胞也發生了DNA損傷，因此不能進行正常的精子形成

除了生殖細胞，還做了腦細胞發育圖譜、一整個系統的細胞圖譜，比如消化道(食道、胃、小腸、大腸)整個的發育過程

總結：

目前細胞生物學特點：

• 以基因為核心，做各種調控關系，最后都要落到具體的基因上
• 聚焦基因的直接互作，連接它們之間的分子關系
• 上下游因果，比如想看到A基因促進B基因的上調

未來可能新增：

• 不局限與單個基因=》基因調控網絡
• DNA系統冗余性vs魯棒性【既然一個鏈就包含了遺傳信息，為何雙鏈？二倍體（一對等位基因）？很多內臟器官成對分布（兩個腎、兩半肺）=》猜測：分子通路是否也是冗余的（同一個功能至少有兩個以上的平行分子來實現）？】
• human cells in vitro人類體細胞直接研究(不用退到動物模型上)
• 系統預測：看到什么變化，哪些可能與疾病有關，早期發現疾病

提問：

• Q1：每個階段可以找到3~5個高表達的基因(marker)，但它們是否是發育的關鍵基因？

  A1：找到的marker確實有一些是下游的沒那么重要的基因

• Q2：找到了高表達基因，那么有沒有一些基因被特異地關閉，那么這些關閉的基因是否為關鍵基因？

  A2：比如從A階段到B的兩個狀態的細胞，A階段的marker必須很早就要關閉，這樣才能允許B階段發育；如果是相對較晚的關閉就會次要一些。因此通過A、B中間態尋找，不僅可以找到B階段的marker，還可以找到A階段的marker

• Q3：開發的scCOOL-seq與ATAC-seq的比較？

  A3：主要區別就是：ATAC-seq直接看的就是open chromatin區域(只占基因組不到1%)，異染色體就沒有觀察；scCOOL-seq就是首先擴增基因組片段(不管是open還是異染色體區域)，這樣open和closed都可以看到，但是缺點就是closed比open多一百倍，這樣需要測序深度很深，通量有限；如果想得到單細胞信息的話，使用ATAC-seq又快又便宜；如果想在少量細胞中看的更全的話，scCOOL-seq可以看的更清楚

• Q4：利用marker gene表征各個細胞狀態，怎么確定一個cell type中的marker就是穩定表征的？

  A4：找的marker在每個細胞中都是表達的，但是大部分marker在每個細胞都會有波動，原因有兩個：內源生物學+技術誤差。這里提出的："中間態" 概念就很好，原來都關注不同的cell type，把不同類型看成分離的。但從發育角度看，它們都來自一個受精卵，所以所有的的細胞類型都是連續的，由于技術因素或者關注點不同，忽略掉了中間的過程。現在技術可以看到中間態了，那么細胞類型這個定義就存在一些問題，比如從A到B發育階段中間的細胞，算A階段細胞還是算B的？或者一種細胞分化成兩種細胞，到什么時間算是徹底分開？

• 單細胞未來技術：造價、靈敏度、通量（目前一個細胞10元）+擴展單細胞組學(現在出了sc-chipseq)+單細胞代謝組、蛋白組

小鼠胚胎空間轉錄組圖譜-景乃禾教授

主要從事中樞神經系統發育的分子機制和多能干細胞神經定向誘導分化的調控機制研究

主要做小鼠著床后胚胎

受精后在輸卵管=》4.5天著床，向下長形成長形結構，近端與遠端結構=》5.5天后端原條結構出現=》6.5-7.5天進行原腸運動，24h分出來3個胚層：外胚層（又繁分化為表皮、神經系統）、中胚層（骨骼、血液、肌肉、腎臟等）、內胚層(呼吸道、消化道)

目前存在的問題：組織中取出消化成單細胞，但是這樣它們的位置信息就丟失了。

早期使用激光顯微切割技術：可以留下空間信息，但通量不夠

最近發表的：

a single-cell molecular map of mouse gastrulation and early organogenesis =>E6.5-E8.5, nine developmental stages, 116,312 single cells => 37 cell types

the single-cell transcriptional landscape of mammalian organogenesis =>

E9.5-E13.5, five developmental stages, 2,058,652 single cells => 38 major cell types

看到細胞量很大，但它們都是不包含空間信息的，當然是可以利用Pseudotime分析嘗試回歸空間信息。

想法：嘗試建立早期小鼠胚胎空間位置細胞信息“GPS系統"

一開始選取了小鼠E7.0原腸中期胚胎，特點就是中胚層包裹到epiblast(外胚層)一半的程度

2011年開始：冰凍切片（大概15?μm厚度）=》激光顯微，前后左右個20-30細胞=》scRNA

遇到的技術挑戰：
胚胎很小（300μm）；小鼠之間的胚胎發育階段不完全一樣，不容易準確區分E7.0時期；單個胚胎的顯微切割有難度；RNA降解

原腸運動中期E7.0在轉錄組層面可以將胚胎分為4個domain：前端、后端、側面的兩個

網站：iTranscriptome：包含超過2萬個gene，輸入名稱得到在什么位置進行表達以及表達量的高低、三維轉錄組重建、找到相似expression pattern的gene list

SCENIC pipeline ： Regulon analysis (gene regulatory network)，比DEG效果好；它不是完全看基因表達的差異，而是以轉錄因子為核心，每個轉錄因子有一個binding specific cis-element，這個cis-element在哪個基因中存在的話就是可能的target，然后看和這個基因一起上調或者下調表達的中有沒有相似的cis-element，算作一個TF Regulon。200多個樣本中20000個基因中找到了282個Regulon，然后用Regulon和它的activity再重新做所有的數據分析。

單細胞網絡-陳洛南

主要研究方向：網絡系統生物學、合成系統生物學、計算系統生物學；利用系統工程、動力學分析、優化和數學建模以生物復雜網絡和動態行為為主線來研究生命系統

我們測量的基因、蛋白表達都是隨著時間、條件變化的，一個cell type中也是不斷變化的，并不是說細胞一發生變化，就意味著形成了不同的cell type。那么什么是穩定的？認為調控關系是穩定的，于是原假設就是：一個cell type中的調控關系是穩定的。

目前一個細胞可以看到量，比如：

• expression
• protein expr
• metabolomics
• methylation

但是，can we construct a network in a single cell?比如，就測了一個細胞的RNA-Seq、蛋白表達等，那么能不能得到映射出來的調控關系網絡？

利用CSN：cell specific network=>one net for one cell

先了解如何對多個細胞構建網絡？比如得到了100個細胞中5000個基因各自的表達量，那么就是一個5000x100矩陣，那么做一個兩兩的相關性網絡，或者調控網絡、因果網絡等。總之，測出來多個細胞或者多個樣本，就可以得到網絡

對于一個細胞，主要基于獨立概率分布：

獨立概率分布

只要這個式子成立，就證明它們之間沒有關系。

降維=》基因的度(每個基因連接個數) =》基因表達可能沒有差異，但是度存在差異"Dark gene"

認為基因不穩定，度是穩定的，只是變成一個穩定的量，然后下面使用一般的聚類算法

1 NDM：network degree 《=》標準的GEM：gene expr

2 臨界理論：緩慢累積=》快速變化，這是動態過程，重點在臨界點(由慢到快的接點tipping point)

DNB：dynamic network biomarker

Tipping point => critical transition => DNB =>drug target

pseudo-trajectory: 找臨界type，找到分化點branch point

3 細胞干性potency ：干細胞一個基因與很多基因都有關聯（調控關系很混亂，每個細胞可以映射成一個網絡，網絡熵很大），越往體細胞關聯越少

提問：

多個組學數據放在一起，基因組數據量大，其他數據量小，放一起可以嗎？

• 需要做成獨立的變量，基因、蛋白、甲基化映射到同一個空間，變成可比的=》data fusion

bulk與scRNA區別

• scRNA：一個細胞一個網絡，bulk是多個type的平均值

scRNA-seq腸癌病人ILC及受Sin1-mTOR調控的ILC2-陳磊

ILC：Innate lymphoid cells，參與innate immune，數量較少；lack of marker

ILC功能發展很快，主要在小鼠研究

• type1：againgt tumor
• type2: 對抗寄生蟲
• type3：對抗細胞外微生物

Q：腸癌病人有哪些類型ILC細胞，功能是什么

• 拿到組織=》流式分選：3個病人癌+癌旁，同樣趨勢：ILC3下降，ILC1上升
• 高維流式：同樣ILC1上升，3下降
• scRNA，希望找到好的marker，分出細胞type

ILC sorting：

每個樣本Unsupervisede聚類，marker檢查=>每個細胞類型比例=》feature plot for newly discovered markers=>sub groups of ILC1

mTOR信號通路=》sin1=》sin1敲除的小鼠=》胚胎致死，sin1對胸腺發育重要；sin1敲除對ILC2影響最顯著

summary：

• 4 clusters of ILC2. Zeb2 cluster and Lgals cluster were regulate by Sin1
• MHC-II/CD74 highly expressed only in one specific ILC2 subset

單細胞試劑盒測定酶分子活性-江德臣

100nm孔直徑，毛細管電泳替代空氣泵

2018PNAS，國內首次測定單個細胞器的蛋白活性，每次吸一個細胞器，管內反應完電信號改變排出，然后再下一個

比如：吸取溶酶體，然后糖苷蛋白活性分析（單個溶酶體中葡萄糖苷活性）驗證是否吸取成功

可以在單個細胞層面研究細胞器差異，單細胞多種酶活性聯合分析(所有試劑盒底物混合，然后看每個細胞中是否有這個酶)，一天能做100個細胞

流式需要大量的細胞，如果細胞量不夠可以用這個技術；還可以提供空間信息，帶有目的性；理論上可以吸取各種細胞器(目前做成功的是最好做的溶酶體)

噪聲魯棒性單細胞數據分析-鄒欣

三個挑戰：技術噪聲、先驗信息缺乏、高度稀疏

scRNA三個噪聲來源：

• 隨機：技術噪聲，如設備熱噪聲、PCR擴增效率不同產生
• 系統性：非隨機但與生物過程相關，如批次
• 生物學噪聲：生物學過程相關但與研究問題無關，如細胞周期變化對細胞類型判斷

算法：

• OGFSC：基因濾除，（一般設置人工閾值），這里用算法替代人工，多重線性回歸模型。另一種scmap算法會過濾掉大量DEGs

  與數據先驗信息吻合：重新分析Science（它使用人工閾值），結果產生差異

• SINCE：single-cell number of clusters estimation

  雙向聚類法=》基因表達譜二值化=》CERS統計量，評價聚類結果錯誤風險=》比較不同的CERS判斷最優結果

  可靠地描述數據系統性波動

  首次闡述過分類錯誤和欠分類錯誤可能同時出現，可以使用SINCE迭代聚類分析策略

建議：如果要進行scale、Normalization(比如FPKM、TPM)，有風險，可能引進的bias比去掉的bias還要大。推薦不要對數據本身進行操作，直接提取出數據更好一些。

單細胞蛋白檢測技術- 丁顯廷

蛋白與核酸不同，不能被擴增"放大"。做蛋白一般采用三種方法：流式、western blot、tissue上的免疫組化

最常見的單細胞多靶點檢測—流式：原理就是拿來一個細胞，可能存在很多的biomarker與疾病相關，但是這個沒辦法直接觀察。因此可以找一個熒光掛到其中一個biomarker上；想看另外一個biomarker，就要換一種熒光，以此類推。然后通過檢測熒光的expression，然后變相評估熒光標記的biomarker的expression量。
改進：熒光流式變為質譜流式【熒光比較少（7種），而且光譜的overlap非常嚴重，不是特別好的標簽，但元素多（已知的非放射性同位素就有130多種），更精確（分子量差1，就可以清楚知道是什么元素），通道數量多且無干擾，同位素沒有背景（許多動物組織有自發熒光，但是不存在自發同位素）】

可以用少量樣本獲得大量數據，一般有三種信息需要重點關注：

• 表面身份證信息：CD4、CD5、CD8、CD45，看這個細胞是誰
• 表面功能信息：PD1、PDL1、HER2是表面功能信息
• 細胞內部變化信息：每個亞型的通路

血液金標準還不能完全確定腫瘤病人，單細胞組學可以輔助診斷

組織切片拓撲/空間學技術：免疫組化過程匯總不需要將組織消化成單個細胞，拿來切片直接掛上金屬標簽，然后激光原位離子化，所有成分推到質譜中檢測，可以直接從原位檢測每個細胞125種靶標檢測，得到幾乎所有感興趣的細胞種類、細胞功能以及在拓撲學上發生怎樣的變化

single cell western blot：蛋白上樣、分離、固定（組蛋白或非組蛋白95%以上）、免疫雜交

提高通量：將化合物做到了一個孔板上，將細胞種到孔板，然后沿著孔板平行跑電泳：可以一個板處理100個細胞，每個細胞中6-7個蛋白的定量/半定量檢測，豐度只需要2-10個拷貝就能檢測出，做一次時間<2h。適用于發育生物學、干細胞分化、CTC研究、小動物樣本、腦脊液

肝臟細胞單細胞圖譜—張政

液體活檢

最早指病灶擴散到血液的細胞，不止腫瘤

臨床分期不等于手術分期

CTC：circulating tumor cell

判斷細胞惡性程度：

• 細胞病例cytology
• FISH
• protein marker：EpCAM+/CK+/CD45-/DAPI+
• single cell
• Function assay
  • EPISPOT
  • metabolic assay: cancer hallmark 多種腫瘤共同擁有的特征(其中最簡單的細胞能量代謝異常可以做)

肝癌單細胞異質性研究

肝癌異質性是影響療效重要因素，靶向治療困難

多點取材+PDPCs研究空間異質性

• 分支進化
• 53.8%驅動基因位于亞克隆
• 藥物靶標全部位于分支

多點取材+PDPCs研究時空異質性(6例病人，69個取材點) Journal of hapotology,2019

• 轉移可以是早期事件
• 多個克隆協同發生轉移
• 轉移灶藥敏改變，可以采用"敏感性治療"策略

單細胞全基因組解析肝癌克隆起源

• 多中心起源
  • 腫瘤間突變譜不同
  • 預后一般較好
• 肝內轉移(單中心)
  • 腫瘤間突變普相似
  • 預后一般較差
  • 介入或靶向治療

單細胞全基因組測序：共30腫瘤細胞+正常

• 單克隆變異：CNV基本一致；"爆發性模式"
• 多克隆變異：CNV幾乎完全不同，"累積性"模式

它的結論：多結節腫瘤可能是多可克隆起源

單細胞轉錄組測序

• 免疫微環境：7個病人，有一個吃免疫抑制劑

  巨噬細胞>10群

通用型少量細胞表觀遺傳修飾譜分析新技術-趙小東

參與2003 ENCODE計劃

當時使用PET(paired end ditag) tech + Sanger：兩端結合代表一段基因，利用分子自身環化，但濃度不能太高

pipeline of ChIP-PET

胚胎干細胞：自我更新+多能性

觀點：200多種組織類型，遺傳物質一致，個體發育是表觀遺傳過程

生殖干細胞在哺乳動物中存在：FGSCs

開發了少量細胞-ChIPseq，做到了10個細胞，還沒有實現單細胞角度

scRNA是定義出單個細胞的中關鍵轉錄因子，如何解析下游調控？或許可以結合這里的單細胞表觀遺傳

所有基于chip分析都要抗體，抓取核酸

BD單細胞測序—中科普瑞

BD Rhapsody

上樣1000-20000細胞，捕獲率50-60%，最多獲得10000-12000細胞

細胞用綠色熒光標記=》后期熒光檢測，綠色為活細胞，紅色為死細胞

80w磁珠，直徑比微孔略小，保證每個孔中都有磁珠，多余被沖掉

單個細胞裂解+mRNA捕獲

磁珠回收=》利用磁極吸取磁珠上捕獲的mRNA

得到報告：單細胞數量、雙細胞比例等

抗體-oligo偶聯結構，主要應用于：

• 膜表面通用抗原=>多樣本標記
• 膜表面特異性抗原=》ab-seq(膜蛋白定量分析)

降低成本；減少批次效應(上樣前標記混合，實現一次上機，一次建庫，一次捕獲)；有效去除樣本間雙細胞(利用細胞標簽)

基于抗體-oligo的蛋白檢測：后續發展方向

靶向測序

• 相對于mRNA，檢測低豐度基因的靈敏度更高
• 僅關注幾百個基因
• 數據集更小

服務流程：45d

marker數據庫

• cellmarker：檢索細胞、基因
• mouse cell atlas：浙大郭老師小鼠組織器官檢索
• cancer SEA：腫瘤特異性檢索
• CD marker handbook =》 BD提供，人和小鼠表達譜信息

10Xgenomics最新應用—胡超博

截止18年，發表了400篇，10M細胞

lineage tracing by Cas9 and scRNA

feature barcode可以同時對

單細胞檢測CNV按照基因組上20Kb區域檢測

coming soon：

• 空間轉錄組分析(baocode：計算count+抓取位置信息)
• Chromium connect：全自動細胞=》測序