Analisi di dati di single-cell RNA sequencing derivati dall’atlante trascrittomico del muscolo scheletrico umano

Human skeletal muscle is one of the most extensive tissues in the human body and performs functions essential for homeostasis. These functions are enabled by the presence of diverse cell populations, which can be studied to understand their unique traits and shared characteristics. The advent of single-cell RNA sequencing (scRNA-seq) has made it possible to study these populations and generate expression profiles that allow for their identification. The aim of this study was to perform a transcriptomic analysis of a human muscle scRNA-seq dataset, originally generated by Andrea J. De Micheli et al. (2020). The analysis employed the Seurat bioinformatics approach for cell clustering, which enabled the annotation of identified cell clusters, assigning them a cellular identity based on the expression of specific marker genes. Finally, the results obtained using Seurat were compared with those from the reference study—which utilized Scanorama bioinformatics approach for the integration step—to evaluate the cell characteristics identified by both bioinformatics approaches versus those identified differentially, and a substantial level of similarity was observed.

I muscoli scheletrici umani sono uno dei tessuti più estesi di tutto l’organismo umano e svolgono funzioni essenziali per la sua omeostasi. Lo svolgimento di queste funzioni è permesso dalla presenza di diverse popolazioni cellulari, le quali possono essere studiate per comprenderne peculiarità e caratteristiche comuni. Con la nascita del single cell RNA sequencing (scRNA-seq) è possibile studiare tali popolazioni cellulari, analizzandone l’espressione genica e ottenendo profili di espressione cellule specifici che ne consentono l’identificazione. L’obiettivo del presente lavoro è stato quello di svolgere l’analisi trascrittomica di un dataset di scRNA-seq di muscolo umano, ottenuto dallo studio di Andrea J. De Micheli et al. (2020). Per svolgere l’analisi dei profili di espressione è stato utilizzato l’approccio bioinformatico di clustering cellulare di Seurat, che ha consentito l’annotazione dei cluster cellulari identificati, assegnando ad essi un’identità cellulare in base all’espressione di geni marcatori specifici. Infine, i risultati ottenuti con Seurat sono stati confrontati con quelli dello studio di riferimento, ottenuti utilizzando Scanorama per lo step di integrazione, al fine di valutare le caratteristiche comuni identificate da entrambi gli approcci bioinformatici e quelle che invece vengono identificate in modo differenziale, e ne è emerso un discreto livello di analogia.