中國醫科大借iMeta影響因子躍升至33.2（中科院1區）東風，憑多組學聯合生信分析成果登刊
2025年6月18日，科睿唯安正式發布了2024年期刊的最新影響因子(發送關鍵詞 “2024JIF” 至 “生信學術縱覽”，即可下載完整版最新影響因子 Excel 表格！)，這一消息迅速在學術界引發廣泛關注。影響因子作為衡量學術期刊影響力的重要指標之一，其每一次變動都如同在學術領域投入一顆石子，激起層層漣漪。眾多國際知名期刊的影響因子有了顯著變化，如腫瘤神刊 CA: A Cancer Journal for Clinicians 再度暴跌，四大醫學期刊繼續全線下跌；而 Science 則逆勢上漲。在這之中，值得一提的是，國產期刊 iMeta 表現十分亮眼，其影響因子從 2023 年的 23.8 暴漲 40%，一舉到達 33.2 的高分，成績斐然。這一變化不僅體現了 iMeta 期刊影響力的大幅提升，也彰顯了中國學術期刊在國際舞臺上日益重要的地位。在這樣充滿變化與活力的學術環境下，接下來將為大家介紹一篇發表于 iMeta 期刊的論文，讓我們一同深入探究其蘊含的學術價值 。
?https://doi.org/10.1002/imt2.70038
正式介紹
基本信息
-
論文標題：使用單細胞分析平臺對單細胞多組學數據進行綜合分析
-
發表期刊：iMeta，中科院微生物學大類分區1區Top，IF=33.2000
-
發表日期：2025年4月28日在線發表
研究背景
單細胞組學技術發展使研究能深入到單細胞層面，但現有分析平臺存在局限，如多針對單一模態數據，且使用復雜，需要大量編碼知識，難以滿足當前多組學數據分析需求，尤其對于流行的10× Genomics組學數據類型，缺乏全面且無需編碼的解決方案。
研究思路
開發這一基于網絡的平臺，整合多種先進算法、交互可視化功能和直觀界面，支持多種單細胞組學數據類型及空間轉錄組學分析。通過自動化關鍵分析步驟、提供豐富分析工具和可視化結果，降低分析門檻，使研究人員無需編程技能即可進行綜合分析。
圖1：單細胞分析平臺網頁服務器上的分析框架概述
圖2：單細胞分析平臺數據庫概述
研究亮點
多組學覆蓋全面：支持六種單細胞組學類型和空間轉錄組學，涵蓋幾乎所有前沿單細胞組學技術，遠超其他同類平臺。操作簡便易用：無需編碼，界面直觀友好，簡化工作流程，降低學習成本，使不同技術背景的研究人員都能輕松使用。功能豐富強大：自動化質量控制、數據處理和表型分析等關鍵步驟，提供20多種交互式分析工具，可進行綜合分析和可視化，且分析速度快，能高效利用計算資源。數據連接廣泛：與單細胞圖譜數據庫緊密連接，包含多種組學數據，為比較分析提供豐富資源。
數據來源和生物信息方法
1、數據來源
包括多種單細胞組學數據，如單細胞RNA測序（scRNA - seq）的基因 - 細胞計數矩陣（.csv或.txt格式，或10X Genomics的.h5格式）、單細胞染色質可及性測序（scATAC - seq）的片段文件（.bed）等，還有空間轉錄組學的表達矩陣（.h5或.csv）及相關元數據等。
2、生物信息方法
使用R語言（v4.2.0）和shiny應用進行前后端集成，依賴seurat（v4.1.0）、Monocle3（v1.0.0）等多種R包。采用主成分分析（PCA）、t - 分布隨機鄰域嵌入（t - SNE）、均勻流形近似和投影（UMAP）等算法進行降維；k - 最近鄰（k - NN）、共享最近鄰（SNN）模塊化優化算法進行聚類；Wilcoxon秩和檢驗、邏輯回歸等進行差異表達分析；基因集富集分析（GSEA）等進行通路富集分析。
主要結果
1、scRNA-seq分析結果
完成質量控制、數據處理后，進行細胞類型預測、差異表達分析、通路和富集分析以及偽時間軌跡分析。多樣本時可進行綜合分析，發現表型差異。例如在研究腫瘤微環境異質性時，可通過聚類識別不同細胞群體，差異表達分析找出相關基因，富集分析揭示功能機制。小結：scRNA - seq分析功能全面，能深入研究基因表達動態和細胞狀態轉變。
圖3：scRNA-seq框架的分析工作流程
2、scATAC-seq分析結果
質量控制包括轉錄起始位點（TSS）富集等檢查，后續進行可及染色質區域識別、基序足跡分析等。多樣本時整合分析揭示染色質特征。如研究細胞分化過程中，可通過分析染色質可及性與基因表達關系，探索調控元件作用。小結：scATAC - seq分析有助于深入了解染色質調控機制。
圖4：scATAC-seq框架的分析工作流程
3、scImmune Profiling分析結果
進行克隆型豐度等質量控制評估，開展免疫庫重疊分析、基因使用分析等。多模態數據時整合scRNA-seq數據，研究免疫反應。如在癌癥免疫治療研究中，可分析克隆型擴張與細胞類型關系。小結：scImmune Profiling分析為免疫相關研究提供詳細信息。
圖5：scImmune Profiling框架的分析工作流程
4、scCNV分析結果
進行倍性評估等分析，識別細胞亞群的基因組異常。多樣本時進行系統發育分析和層次聚類，研究CNV模式。在癌癥研究中，可用于檢測腫瘤細胞的基因組變化。小結：scCNV分析對研究癌癥等疾病的基因組變異有重要意義。
圖6：單細胞拷貝數變異（scCNV）框架的分析工作流程
5、CyTOF分析結果
處理原始.fcs文件，進行降維和聚類分析，識別細胞表型，包括標記物表達分析、特征選擇等。如研究復雜疾病的免疫細胞異質性時，可通過分析細胞表型差異，了解疾病機制。小結：CyTOF分析有助于深入研究細胞表型特征。
圖S4：CyTOF框架的分析工作流程
6、Flow cytometry分析結果
自動化門控策略去除雜質和雙峰，進行降維和聚類，評估標記物表達。多樣本時綜合分析群體差異，可用于免疫監測和生物標志物發現。小結：Flow cytometry分析能精準進行細胞表型分析。
圖S5：流式細胞術框架的分析工作流程
7、Spatial transcriptomics分析結果
進行質量控制和數據處理后，進行差異表達分析，將降維和聚類結果可視化在組織圖像上。多樣本時進行整合分析，結合scRNA - seq數據進行多模態整合。如研究組織發育時，可直觀展示基因表達的空間分布。小結：Spatial transcriptomics分析為研究組織空間結構和基因表達關系提供有力工具。
圖S3：空間轉錄組學框架的分析工作流程
研究結論
single-cell analyst支持多種單細胞組學和空間轉錄組學分析，簡化工作流程，自動化關鍵步驟，提供交互式可視化結果。降低了技術門檻，促進多組學分析，有助于理解生物現象，推動單細胞技術在生物和醫學研究中的應用，加速精準醫學發展。
研究的局限性和未來方向
目前主要針對人類數據分析，未來計劃支持更多物種；加強多模態單細胞數據集聯合分析能力，雖docker版本技術上可行，但當前版本為保證一致性暫未實現，后續更新將拓展；增加對更多組學數據類型（如代謝組學）的支持，強化數據整合和預測建模能力，提升計算可擴展性，根據用戶反饋持續改進。
感謝您的閱讀，歡迎關注“生信學術縱覽”。謝謝您的分享、點贊+在看！
