SCENIC (Single-Cell rRegulatory Network Inference and Clustering）是一种能够从单细胞 RNA-seq 数据（SCENIC）或单细胞 RNA-seq+单细胞 ATAC-seq 的组合（SCENIC+, 今年新发的Nature Methods, 2023, 20, 1355–1367）中同时进行转录因子推断、基因调控网络重建的方法。

工作流程主要分为 三个步骤：共表达网络推断、通过基因 motif 验证的调控网络模块（regulons）、regulons 活性计算。

pySCENIC中共表达推断方法GRNBoost2相比于R中GENIE3有很大的速度提升，所以建议前面的分析使用pySCENIC，后面可视化还是在R中进行（因为本人不怎么会python……）。

1. R中提取转置后的表达矩阵

mat <- as.matrix(sc@assays$RNA@counts)
#mat <- mat[rowSums(mat)>10,]
write.csv(t(mat),file="./counts.csv")
2.conda安装
 
conda create -n pyscenic python=3.7 #注意自己的python版本
conda activate pyscenic 
conda install -y numpy
conda install -y -c anaconda cytoolz
conda install -y scanpy
pip install pyscenic
 
3.制作一个trans.py，主要目的是把提取的表达矩阵转成loom文件，python trans.py运行
 
import os, sys
os.getcwd()
os.listdir(os.getcwd())
import loompy as lp;
import numpy as np;
import scanpy as sc;
x=sc.read_csv("counts.csv");
row_attrs={"Gene":np.array(x.var_names),};
col_attrs={"CellID":np.array(x.obs_names)};
%lp.create("sc.loom",x.X.transpose(),row_attrs,col_attrs);
4.准备好三个文件ranking database, motif database, TF list（注意物种），下载地址：
 
Welcome to the cisTarget resources website! (aertslab.org)
 
pySCENIC/resources at master · aertslab/pySCENIC (github.com)
 
5.三步搞定，最后得到sc_SCENIC.loom, reg.csv, adj.sc.tsv这三个文件就可以进行下一步可视化了
 
#推断转录因子与候选靶基因之间的共表达模块
pyscenic grn \
--num_workers 20 \
--output adj.sc.tsv \
--method grnboost2 \
sc.loom \
mm_mgi_tfs.txt
#DNA-motif分析选择TF潜在直接结合的靶点(regulon)
pyscenic ctx \
adj.sample.tsv /mm9-tss-centered-10kb-7species.mc9nr.genes_vs_motifs.rankings.feather \
--annotations_fname /mm10/cisTarget_database/motifs-v9-nr.mgi-m0.001-o0.0.tbl \
--expression_mtx_fname sc.loom \
--mode "dask_multiprocessing" \
--output reg.csv \
--num_workers 20 \
--mask_dropouts
#计算Regulons的活性
pyscenic aucell \
sc.loom \
reg.csv \
--output sc_SCENIC.loom \
--num_workers 8
 
参考：pySCENIC — pySCENIC latest documentation
 
SCENIC (aertslab.org)
                                    接上一篇，pySCENIC分析完之后就可以进行可视化了，个人认为最重要的有三个图：rss点图，rank图，转录因子表达水平热图，3个图结合着看。3.可视化rank图，可以自己改一下plotRSS_oneSet参数让图更好看一点。4. regulon表达水平热图，转录因子表达水平同理，得到的图类似只是输入不一样。2.可视化点图：寻找cluster特异性转录因子。1.loom文件读入R，提取数据。
                                    假设你完成了上面的步骤，那接下来的分析至少在代码上很简单，三个步骤，可能会等待一段时间，尤其是第一、二步骤，不过相比于R简直是神速。参考基因组的情况根据实际情况自行下载，当然我下载的也可以用，具体深入的原理有兴趣的可以去了解，我只是参考文献使用的！为了减轻大家的负担，文件我已经下载好了，包括人的、鼠的，以及转化文件的py脚本，已上传QQ群文件，群成员可在群里免费获取！上一节说了pySCENIC的分析环境配置及安装，除了这些，还有一些必要条件，例如相关文件的下载，一些数据转化等等。
关于单细胞转录组转录因子的分析我们之前在单细胞系列讲过R语言版本的，参考：跟着Cell学单细胞转录组分析(十二):转录组因子分析，但是R语言分析起来速度非常慢，如果你动辄上万的单细胞可能要运行好几周，这显然不现实。pySCENIC则很好的解决了这个问题，分析速度很快。
                                    最近公众号小伙伴好像扎堆做单细胞转录因子富集分析，这里还是建议使用服务器，因为自己电脑可能跑起来比较费劲。我们也在上一篇内容里面对分析进行了更新，我们提供的方法都在liunux终端的conda环境中运行。我们是在R语言里面提取的seurat单细胞的矩阵去python中分析，所以最后可视化的时候需要将R里面的文件转化为python可读可操作的对象。我们封装了两个函数，第一个是R里面数据提取seurat_to_adata.R，第二个是python中数据构建函数seurat_to_adata.py。
                                    我们也可以提取数据，用热图的方式呈现，这里我是用ggheatmap做的，也可以用pheatmap、complexheatmap或ggplot2做。RSS分析，查看细胞类型特异性转录因子，需要先加载seurat对象，提取metadata信息，并进行分析！上面我们展示的是转录因子在不同细胞的评分，按照这个道理，我们依然可以选定某种细胞，看样本间转录因子的差别！当然了，全部展示没有啥意义，还是可以提取数据，可视化需要的TF！更多精彩内容请至我的公众号---KS科研分享与服务。先加载需要的R包，都加载了，没毛病。
                                    转录因子分析可以了解细胞异质性背后的基因调控网络的异质性。转录因子分析也是单细胞转录组常见的分析内容，R语言分析一般采用的是SCENIC包，具体原理可参考两篇文章。1、《SCENIC : single-cell regulatory networkinference and clustering》。2、《Ascalable SCENIC workflow for single-cell gene regulatory network analysis》。但是说在前头，SCENIC的计算量超级大，非常耗费内存
                                    **pySCENIC全部往期精彩系列首先说一句，我们之前也发过R语言版本的SCENIC，但是后来我们感觉容易出错，而且费时，所以就没有再探究过。可是总是有小伙伴喜欢跑R，然后说这里错了，那里找不见，其实我们的帖子写于2022年，但是数据库已经更新了，去官网下载新的数据库，不能无脑跑代码。回到pySCENIC,之前我们写过整个系列4篇帖子，分析可视化都是很完善了。可是近期跑的时候发现在第一步有点问题，要么跑不动，要么出错，怀疑是软件和数据库没有更新的缘故，故而更新一下测试。这个帖子主要有两部分内容。
                                    pyscenic的分析和可视化总算是结束了。其实还有python版本的可视化，但是已经不想研究了，和R差不多，主要是对结果的解读。3、差异TF的分析，这也许是今天这个帖子的重点内容吧，可以像转录组那样，或者GSVA，寻找不同组织间差异性TF，结果更有说服力！1、rank形式的转录因子展示，有些文章中是这样，特异性TF展示更直观。更多精彩内容请至我的公众号---KS科研分享与服务。2、利用我们之前说过的网络图展示TF与靶基因！
                                    可扩展的SCENIC工作流程，用于单细胞基因调控网络分析
该存储库描述了如何对单细胞数据运行pySCENIC基因调控网络推断分析以及基本的“最佳实践”表达分析。 这包括：
 独立的Jupyter笔记本电脑，用于交互式分析
Nextflow DSL1工作流程，它提供了一种半自动化且简化的方法来运行这些步骤
pySCENIC安装，使用和下游分析的详细信息
另请参阅《自然规约》中的相关出版物：  :  。
 有关此协议中步骤的高级实现，请参阅 ，这是pySCENIC的Nextflow DSL2实现，具有用于表达式分析的全面且可自定义的管道。 这包括其他pySCENIC功能（多次运行，集成的基于主题和基于轨迹的regulon修剪，织机文件生成）。
PBMC 10k数据集（10x基因组学）
 完整的SCENIC分析，以及过滤，群集，可视化和SCope就绪的织机文件创建： |
                                    2024/2/19 转录因子分析软件Pyscenic常用于分析单个细胞群受到的转录因子调控，目前版本为0.12.1，在使用Pyscenic 进行分析的时候报错：AttributeError: module 'numpy' has no attribute 'object'.为numpy软件不兼容所致。综合GITHUB上的解决方案，依旧存在问题。按照上述软件安装即可。
                                    本篇文章给大家推荐2个网站，用于对动物、植物转录组因子（TF）、转录因子结合位点（TFBS）的预测。简单易学，任何你感兴趣的基因集，都可以用来预测 TF，也可以去预测它们的 TFBS。