SCENICCell Inference and Clustering

前言：GRN究竟具备哪些应用价值？在进行bulk GSVA学习时，我也曾面临过类似的疑问。官方文档中多次指出，通过GRN AUC进行聚类分析，其效果优于单纯依赖表达量的降维聚类方法。SCENIC并非仅用于文章结尾作为补充的高阶分析工具，而是用于识别细胞类型特异性的基因调控网络（GRN），并为后续发现亚型提供关键支持。

SCENIC在R语言中有两个教程，第一个主要介绍其基本概念、安装过程及数据导入方法，第二个则详细讲解了完整的分析流程。

SCENIC的输入文件相对简单，主要包括单细胞RNA测序（scRNA）的表达矩阵，其中列名对应细胞，行名对应基因符号。关于数据格式问题，作者表现出较强的自信，无论使用原始计数、Seurat标准化还是TPM标准化的数据，最终结果均具有较高的稳定性。

SCENIC依赖于三个R包以完成四个关键步骤：

（1）GENIE3用于推断共表达网络（更快的替代方案为GRNBoost2）。然而该方法容易引入较多假阳性结果，在进入第二步时需要进一步验证和筛选。

（2）RcisTarget用于转录因子结合位点模体的分析。个人认为“R-cis-Target”这一名称更为贴切。

（3）AUCell用于识别在单细胞RNA测序数据中具有活跃基因集（即基因网络）的细胞。该工具与Seurat中的某些功能以及bulk数据中的GSVA方法类似，均基于基因集进行打分。

（4）根