SCENIC笔记（初稿）

🧠 一句话总结 SCENIC 是什么？

SCENIC 是一套从单细胞转录组数据中，重建细胞内转录调控网络并评估其活跃度的工具链。它帮你找出：
谁在控制谁（TF → target genes），在哪些细胞里控制得最明显（regulon 活跃度）。

---

🧭 类比理解：细胞里的“地下指挥网络”

把每个细胞想象成一个城市，里面有很多工厂（基因）在运作。SCENIC 就是：

1. 找出哪些人（转录因子 TF）可能在发号施令；
2. 确认这些人是不是真的掌握了控制密码（motif）；
3. 看看每个城市（细胞）里，谁的命令正在被执行（regulon 活跃）。

SCENIC 的最终目的是：还原整个单细胞系统的调控生态。

---

⚙️ SCENIC 的三个核心步骤

🧩 Step 1：GRN inference（转录调控网络推断）

找出哪些转录因子可能在调控哪些基因

🔍 方法：

• 使用 GENIE3 或 GRNBoost 算法
• 通过机器学习模型，分析 TF 和其他基因表达的共变关系
• 输出：每个 TF 与其潜在目标基因的配对关系 → 称为 co-expression modules

📌 特点：

• 是个“猜测网络” → 只是表达的共变，还不能说明调控因果关系；
• 目标是找到潜在的 regulons（调控模块）：TF + 它可能调控的一组 genes。

---

🔬 Step 2：Motif enrichment（motif 验证）

验证 TF 是否真的有“控制密码”写在目标基因的 DNA 上

🔍 方法：

• 检查目标基因上游序列（promoter/enhancer）有没有该 TF 的 motif；
• 使用 cisTarget 数据库（如 mm10/motif500bp）做富集分析；
• 剔除没有 motif 支撑的配对，只保留有机制证据的调控关系。

📌 输出：

• 一个可信度高的 regulon 列表：每个 TF 对应一组被它可能直接调控的基因集合。

---

🔥 Step 3：AUCell 评分（调控活跃度计算）

看看每个细胞里，哪些 regulon 在活跃执行命令

🔍 方法：

• 针对每个 regulon，查看它的 target genes 是否在某细胞中整体表达较高；
• 使用 AUC（Area Under Curve）算法给每个 regulon 打分，反映它在该细胞中的“活跃程度”。

📌 输出：

• 一个【细胞 × regulon（TF）】的活跃度矩阵；
• 可以用于聚类、绘图、UMAP可视化、亚群注释等下游分析。

---

🧾 SCENIC 最终产出物汇总

产出内容	含义描述
Regulon 列表	每个转录因子与其可能直接调控的目标基因集
AUCell 矩阵	每个细胞中，各 regulon（TF） 的活跃程度评分
网络图（可选）	基于 TF-target 构建的调控网络图，用于展示 TF 互作/控制力大小
Marker regulon	每类细胞中特异激活的调控模块，可用于识别细胞类型调控特征

---

🔧 常用软件包及生态

• pySCENIC（Python 版本）：速度快、维护活跃，支持大型数据
• SCENIC+ / cisTopic：更进一步整合 ATAC-seq 数据的拓展工具
• RSCENIC（R 版本）：早期实现，适合小型数据集，依赖多

---

🧩 SCENIC 与传统差异分析的比较

特点	差异表达分析（DEG）	SCENIC
关注点	哪些基因变了？	谁在调控这些变化？
输出类型	基因列表	TF-Target 网络 + TF 活跃度
是否考虑调控机制	❌	✅ motif 验证
是否能跨细胞分析	一般基于分组	每个细胞都有 TF 活跃评分

---

🧠 总结一句话

SCENIC 是在单细胞层面探查基因表达背后的“幕后黑手”——转录因子的强大工具，帮我们从基因表达走向调控理解，从“发生了什么”转向“是谁导致了这些”。

---