We describe a workflow for preprocessing of single-cell RNA-sequencing data that balances efficiency and accuracy. Our workflow is based on the kallisto and bustools programs, and is near optimal in speed with a constant memory requirement providing scalability for arbitrarily large datasets. The workflow is modular, and we demonstrate its flexibility by showing how it can be used for RNA velocity analyses. A preprocessing workflow for single-cell RNA-seq data achieves near-optimal speed.

A bstract Probabilistic models have provided the underpinnings for state-of-the-art performance in many single-cell omics data analysis tasks, including dimensionality reduction, clustering, differential expression, annotation, removal of unwanted variation, and integration across modalities. Many of the models being deployed are amenable to scalable stochastic inference techniques, and accordingly they are able to process single-cell datasets of realistic and growing sizes. However, the community-wide adoption of probabilistic approaches is hindered by a fractured software ecosystem resulting in an array of packages with distinct, and often complex interfaces. To address this issue, we developed scvi-tools ( https://scvi-tools.org ), a Python package that implements a variety of leading probabilistic methods. These methods, which cover many fundamental analysis tasks, are accessible through a standardized, easy-to-use interface with direct links to Scanpy, Seurat, and Bioconductor workflows. By standardizing the implementations, we were able to develop and reuse novel functionalities across different models, such as support for complex study designs through nonlinear removal of unwanted variation due to multiple covariates and reference-query integration via scArches. The extensible software building blocks that underlie scvi-tools also enable a developer environment in which new probabilistic models for single cell omics can be efficiently developed, benchmarked, and deployed. We demonstrate this through a code-efficient reimplementation of Stereoscope for deconvolution of spatial transcriptomics profiles. By catering to both the end user and developer audiences, we expect scvi-tools to become an essential software dependency and serve to formulate a community standard for probabilistic modeling of single cell omics.

The poseidon syringe pump and microscope system is an open source alternative to commercial systems. It costs less than $400 and can be assembled in under an hour using the instructions and source files available at https://pachterlab.github.io/poseidon. We describe the poseidon system and use it to illustrate design principles that can facilitate the adoption and development of open source bioinstruments. The principles are functionality, robustness, simplicity, modularity, benchmarking, and documentation.

Conditioned taste aversion (CTA) is a form of one-trial learning dependent on basolateral amygdala projection neurons (BLApn). Its underlying cellular and molecular mechanisms are poorly understood, however. We used RNAseq from BLApn to identify learning-related changes in Stk11, a kinase with well-studied roles in growth, metabolism and development, but not previously implicated in learning. Deletion of Stk11 restricted to BLApn completely blocks memory when occurring prior to training, but not following it, despite altering neither BLApn-dependent encoding of taste palatability in gustatory cortex, nor transcriptional activation of BLApn during training. Deletion of Stk11 in BLApn also increases their intrinsic excitability. Conversely, BLApn activated by CTA to express the immediate early gene Fos had reduced excitability. BLApn knockout of Fos also increased excitability and impaired learning. These data suggest that Stk11 and Fos expression play key roles in CTA long-term memory formation, perhaps by modulating the intrinsic excitability of BLApn.

Analysis of single-cell RNA-seq data begins with pre-processing of sequencing reads to generate count matrices. We investigate algorithm choices for the challenges of pre-processing, and describe a workflow that balances efficiency and accuracy. Our workflow is based on the kallisto ( ) and bustools ( ) programs, and is near-optimal in speed and memory. The workflow is modular, and we demonstrate its flexibility by showing how it can be used for RNA velocity analyses. Documentation and tutorials for using the kallisto | bus workflow are available at .

The more than 500 single-cell transcriptomics studies that have been published to date constitute a valuable and vast resource for biological discovery. While various “atlas” projects have collated some of the associated datasets, most questions related to specific tissue types, species, or other attributes of studies require identifying papers through manual and challenging literature search. To facilitate discovery with published single-cell transcriptomics data, we have assembled a near exhaustive, manually curated database of single-cell transcriptomics studies with key information: descriptions of the type of data and technologies used, along with descriptors of the biological systems studied. Additionally, the database contains summarized information about analysis in the papers, allowing for analysis of trends in the field. As an example, we show that the number of cell types identified in scRNA-seq studies is proportional to the number of cells analysed. The database is available at [www.nxn.se/single-cell-studies/gui][1]. [1]: https://www.nxn.se/single-cell-studies/gui

ABSTRACT Single-cell RNA transcriptomic platforms have significantly contributed to our understanding of tissue heterogeneity as well as of developmental and cellular differentiation trajectories. They also provide an opportunity to map an organism’s response to environmental cues with high resolution and unbiasedly identify the cell types that are the most transcriptionally sensitive to exposures. Here, we applied single nucleus RNA-seq experimental and computational approaches to C. elegans to establish the transcriptome of the adult nematode and comprehensively characterize the transcriptional impact of ethanol as a model environmental exposure on the entire organism at cell type-resolution over several generations. Clustering, tissue and phenotype enrichment, and gene ontology analyses identified 31 clusters representing a diverse number of adult cell types, including those from syncytial and multi-nucleated tissues which are difficult to assess by single cell RNA-seq, such as the mitotic and meiotic germline, hypodermal cells, and the intestine. We applied this method to identify the impact of inter- and trans-generational exposure to two human-relevant doses of alcohol. Cell type proportions were not significantly altered by ethanol. However, Euclidean distance analysis identified several germline, striated muscle, and neuronal clusters as being major transcriptional targets of ethanol at both the F1 and F3 generations although the relative order of clusters changed between generations. The impact on germline clusters was further confirmed by phenotypic enrichment analysis as well as functional validation, namely a remarkable inter- and trans-generational increase in germline apoptosis, aneuploidy, and embryonic lethality. Together, snRNA-seq of the adult C. elegans represents a powerful approach for the detailed examination of an adult organism’s response to environmental cues.

Abstract We present two web apps for interactively performing common tasks with single cell RNA sequencing data: scdefg for interactive differential expression and wormcells-viz for visualization of gene expression. We made these tools available with public C. elegans datasets curated by WormBase at single-cell.wormbase.org . They can also be readily deployed for use with any other datasets using the source code available at github.com/WormBase/scdefg and at github.com/WormBase/wormcells-viz .

The allocation of a sequencing budget when designing single cell RNA-seq experiments requires consideration of the tradeoff between number of cells sequenced and the read depth per cell. One approach to the problem is to perform a power analysis for a univariate objective such as differential expression. However, many of the goals of single-cell analysis requires consideration of the multivariate structure of gene expression, such as clustering. We introduce an approach to quantifying the impact of sequencing depth and cell number on the estimation of a multivariate generative model for gene expression that is based on error analysis in the framework of a variational autoencoder. We find that at shallow depths, the marginal benefit of deeper sequencing per cell significantly outweighs the benefit of increased cell numbers. Above about 15,000 reads per cell the benefit of increased sequencing depth is minor. Code for the workflow reproducing the results of the paper is available at https://github.com/pachterlab/SBP_2019/.