Abstract The advent of single-cell RNA sequencing has provided illuminating information on complex systems. However, large numbers of genes tend to be scarcely detected in common scRNAseq approaches due to technical dropout. Although bioinformatics approaches have been developed to approximate true expression profiles, assess the dropout events on single-cell transcriptomes is still consequently challenging. In this report, we present a new plate-based method for scRNAseq that relies on Tn5 transposase to tagment cDNA following second strand synthesis. By utilizing pre-amplification tagmentation step, scSTATseq libraries are insulated against technical dropout, allowing for detailed analysis of gene-gene co-expression relationships and mapping of pathway trajectories. The entire scSTATseq library construction workflow can be completed in 7 hours, and recover transcriptome information on up to 8,000 protein-coding genes. Investigation of osteoclast differentiation using this workflow allowed us to identify novel markers of interest such as Rab15. Overall, scSTATseq is an efficient and economical method for scRNAseq that compares favorably with existing workflows.

Recent advances in bioinformatics analyses have led to the development of novel tools enabling the capture and trajectory mapping of single-cell RNA sequencing (scRNAseq) data. However, there is a lack of methods to assess the contributions of biological pathways and transcription factors to an overall developmental trajectory mapped from scRNAseq data. In this manuscript, we present a simplified approach for trajectory inference of pathway significance (TIPS) that leverages existing knowledgebases of functional pathways and transcription factor targets to enable further mechanistic insights into a biological process. TIPS returns both the key pathways whose changes are associated with the process of interest, as well as the individual genes that best reflect these changes. TIPS also provides insight into the relative timing of pathway changes, as well as a suite of visualizations to enable simplified data interpretation of scRNAseq libraries generated using a wide range of techniques. The TIPS package can be run through either a web server, or downloaded as a user-friendly GUI run in R, and may serve as a useful tool to help biologists perform deeper functional analyses and visualization of their single-cell and/or large cohort RNAseq data.