赛题

赛题信息：

随着空间组学、单细胞组学和基因组学等前沿技术的飞速发展，多组学工具和应用在维度、深度、广度上都有了很大提升和发展。然而，由于开发语言、环境和封装等差异的原因，科研人员与高校学生在探索多组学数据分析时，常遭遇分析工具开发困难，工具使用门槛高的挑战。为克服这些挑战，主办方希望参赛选手在参赛平台上进行多组学工具的开发，创建和共享具有应用价值大，影响力高，易用性好的工具或工具系列。大赛秉持以赛促训、以赛促学、以赛促教、以赛促创的理念，通过比赛，激发研究者之间的创新思维和实践能力，促进科学研究与教育教学的融合，推动从科研到教育的全链条发展。

工具系列作品示例：

单细胞流程分析工具系列：

scRNA-seq流程

scRNA-seq包括 scRNA-seq 数据下游分析之前涉及的处理和准备步骤，包括基因组比对、单个细胞的识别和量化、测序饱和度、质量控制、降维、聚类和注释。scRNA-seq 可以识别和表征不同的细胞类型、发现新的细胞群以及研究转录动力学和调控网络。

RefRead：检查将用于reads比对和表达定量的参考基因组文件，包括包含参考基因组Star软件索引的公共目录、参考基因组gtf文件等。

M280parseFastq：解析beads条形码umi和数据质量控制。

star：使用STAR来比对参考基因组。

anno：根据gtf文件注释reads以对齐基因组区域，umis校正并生成原始计数矩阵。

cleanAfteranno：删除多余文件以节省存储空间。

getM280UMI：这一步包括beads calling和合并。 在 scRNA-seq 中，beads通常用于捕获和分离单个细胞。 识别和过滤空滴和双峰，计算相似性并合并具有高相似性的beads。 bam 文件添加beads标签。

statSaturation：根据之前步骤生成的采样数据文件，计算组织覆盖区域的测序饱和度。

count：计算合并beads后细胞的基因表达量，对细胞和基因进行统计，输出三个标准矩阵文件供下游分析。

splice_matrix：如果选择注释内含子，则会有一个剪接RNA矩阵和一个RNA速度矩阵。 这两个矩阵文件可用于深入分析细胞发育轨迹和方向。

QC：计算细胞过滤后的质控信息，包括基因数、总umis数、线粒体百分比。

Cluster：单个细胞的降维、聚类及注释信息显示

报告： 生成 HTML Web 报告，整合每个步骤的分析结果，并显示关键统计指标、测序饱和度图、聚类分析和注释分析结果。

示例作品链接：https://cloud.stomics.tech/#/public/tool/detail/workflow/WF01202403042b7Erk/3.1.6

单细胞数据分析工具系列：

细胞注释（SingleR），差异分析（Seurat）和功能富集分析（clusterProfiler）

SingleR是一种对细胞注释的分析方法，在进行细胞注释后，差异分析和差异基因的功能富集通常是最为常见的分析流程。因此，本实例通过SingleR基于参考单细胞数据集注释空间组学数据。例如，我们使用小鼠大脑皮质空间组学数据作为待注释数据，使用小鼠大脑皮层单细胞数据作为参考数据集进行注释，并且可视化，进而利用Seurat 软件包对注释结果进行差异分析，并利用clusterProfiler软件包进行功能富集分析。该流程实现了从注释到差异分析结果的解读，可以广泛用在其他的单细胞数据分析中。

示例作品链接：https://cloud.stomics.tech/#/public/tool/detail/notebook/NB0120240326WKEr0k/--