2017年11月，SCENIC发表于Nature Methods，作为主流的单细胞转录因子分析工具，SCENIC在单细胞转录组数据构建基因调控网络、转录因子分析以及细胞状态鉴定方面上表现优异。目前主要有R和python两个版本，支持分析人、小鼠和果蝇的数据。
1.1
pyscenic分析流程
1.1.1
构建共表达网络
输入的数据是标准化的count矩阵（行是基因和列是细胞），从中找出TFs调节的基因构建共表达网络。GENIE3(随机森林)/GRNBoost(Gradient Boosting)：基于共表达情况鉴定每个TF的潜在靶点，推断转录因子与候选靶基因之间的共表达模块。每个模块包含一个转录因子及其靶基因。
这个共表达网络只是基于TF和gene表达量相关性推测的，TF和gene之间是否现实存在调控关系还需要进一步验证。验证的方法主要从TF功能结构入手，从上图1我们可以看出，TF是通过直接与DNA结合而发挥作用的，因此我们可以通过反向查看gene上是否存在TF结合的motif序列来验证TF与gene的靶向关系。
1.1.2
motif富集分析
进行TF-motif富集分析，识别直接靶标。仅保留具有正确的上游调节子且显著富集的motif modules，并对它们进行过滤以除去缺乏motif支持的间接靶基因。这些处理后的每个TF及其潜在的直接targets genes被称作一个regulon。
由于上一步GENIE3只是推断共表达，因此会有假阳性和间接targets。使用RcisTarget基于DNA-motif分析识别具有正确上游调控子且显著富集的motif（转录因子直接结合的motif），修剪掉缺乏motif支持的间接靶标。修剪后的每个TF和其潜在的直接作用的target genes被称为为一个regulon。（这一步是SCENIC和其他大多数共表达算法的重要区别）
Regulon调控子：受同一个TF调控的一群基因的集合，即one Regulon = one TF + target genes
1.1.3
AUCell对每个细胞的每个regulon活性进行打分
对于一个regulon来说，比较细胞间的AUCell得分可以鉴定出哪种细胞有显著更高的sub network活性。
原理：AUCell基于基因集（Regulons中所有基因）打分，所得到的分数即为AUC（Area Under Curve）表示Regulons在细胞中的“活性”。打分过程是针对每个细胞，将细胞中所有基因按照表达量从高到低进行排序，根据Regulons中的基因在序列中的位置，计算累计曲线面积 (AUC)。
1.1.4
AUCell分数二值化
由于不同regulons包含的基因不同，基于AUC值在所有细胞中的双峰分布特征，增加了Rgulons“on/off”的概念，认为双峰之间的低谷为判断Regulons活性开放的阈值，如果AUC值小于阈值，则判定为该Regulons在该细胞中未开放，即未发挥调控作用。进一步转化为二进制regulon活性矩阵（binarized activity matrix），这将最大化细胞类型的差异，确定regulon在哪些细胞中处于“开放”状态。
官方教程：
pySCENIC — pySCENIC latest documentation
