最近在系统性整理肿瘤研究领域的单细胞研究，看到了一个2019的文章《High-dimensional cytometric analysis of colorectal cancer reveals novel mediators of antitumour immunity》居然是35个病人，因为文章里面有10X的关键词，所以我蛮吃惊的。2018和2019是10X商业化早期，那个时候我们在单细胞小分队交流群就在讨论这样的技术什么时候会在每个癌症都都应用起来。没道理这么大一个数据量的研究会被当时的我漏掉，反而是现在捡回来。
然后，我仔细看了看全文，总共5个图，其实就第一张图里面有10x的单细胞转录组测序数据分析结果，图例是：. (D,E) t-SNE embedding showing 1079 cells from CRC tissues (n=7) analysed by single-cell RNA-sequencing.
对这个10x单细胞转录组数据（混合了7个CRC肿瘤组织也才1079个细胞）也是走了一个最基础的降维聚类分群罢了，如下所示：

如果是简单的降维聚类分群，可以参考前面的例子：人人都能学会的单细胞聚类分群注释 ，我们演示了第一层次的分群。
其余的图都是cytof数据，总共是：Primary CRC tissues (n=35, of which 22 MMR-proficient and 13 MMR-deficient) ，取样品如下所示：

• matched tumour-associated lymph nodes (n=26),
• colorectal healthy mucosa (n=17)
• presurgical peripheral blood samples (n=19)
  该队列纳入的患者信息如下所示：
  
  首先是因为10x单细胞转录组成本摆在那里，参考我们的《明码标价》专栏里面的单细胞内容
• 明码标价之10X技术单细胞（2.5万每个）（标准100G测序数据）
• 明码标价之10X转录组原始测序数据的cellranger流程
• 明码标价之单细胞转录组的质控降维聚类分群和生物学注释
  仅仅是测数据每个样品就100G以上，对计算资源的消耗也很大。
  而且大家如果仔细看前面的降维聚类分群图，会发现其实每个细胞亚群各自高表达量的基因是固定而且已知的，就那么几个常用的基因。所以：

  In mass cytometry, over 40 markers can be simultaneously analysed at single-cell level, providing a unique opportunity to obtain a comprehensive overview of tumour- resident lymphocytes
  这个cytof（mass cytometry）技术就足够了，这篇文章里面是：Mass cytometric analysis of 36 immune cell markers was performed on single-cell suspensions isolated from cancer and healthy tissues of patients with CRC.
  所以接下来：

• Figure 2 Activated CD8+ and γδ T cells are tumour tissue-specific and enriched in mismatch repair-deficient colorectal cancers.
• Figure 3 ICOS+ and activated CD4+ T cells are dominant, tumour tissue-specific T cell populations in both mismatch repair-deficient and repair- proficient colorectal cancers.
• Figure 4 CD127–CD56+CD45RO+ ILCs are the prevalent ILC population in mismatch repair-deficient colorectal tumours.
  重点展现了cytof技术拿到的3种细胞亚群的比例变化
  有如下所示的标记基因就足够了：
  
  单细胞转录组数据分析的标准降维聚类分群，并且进行生物学注释后的结果。可以参考前面的例子：人人都能学会的单细胞聚类分群注释 ，我们演示了第一层次的分群。
  如果你对单细胞数据分析还没有基础认知，可以看基础10讲：
• 01. 上游分析流程
• 02.课题多少个样品，测序数据量如何
• 03. 过滤不合格细胞和基因（数据质控很重要）
• 04. 过滤线粒体核糖体基因
• 05. 去除细胞效应和基因效应
• 06.单细胞转录组数据的降维聚类分群
• 07.单细胞转录组数据处理之细胞亚群注释
• 08.把拿到的亚群进行更细致的分群
• 09.单细胞转录组数据处理之细胞亚群比例比较
  

  很明显cytof技术就足够了

• 1.cytof数据资源介绍（文末有交流群）
• 2.cytofWorkflow之读入FCS文件（一）
• 3.cytofWorkflow之构建SingleCellExperiment对象（二）
• 4.cytofWorkflow之基本质量控制（三）
• 5.cytofWorkflow之聚类分群（四）
• 6.cytofWorkflow之人工注释生物学亚群（五）
• 7.cytofWorkflow之亚群比例差异分析（六）