1. 领域背景与文献
文献英文标题：STARK: a comprehensive computational framework for single-cell 3D genome sequencing data analysis and technology benchmarking；发表期刊：BMC Genomics；影响因子：5.7；研究领域：单细胞三维基因组学、生物信息学工具开发。
领域共识：染色体构象捕获（Hi-C）技术的出现推动了三维基因组学的发展，揭示了染色质域、染色质环等结构在基因表达调控中的作用，但bulk Hi-C技术只能得到细胞群体的平均信号，无法解析细胞间的异质性。随着单细胞测序技术的突破，单细胞三维基因组测序（sc3DG-seq）技术应运而生，目前已开发出15种以上的sc3DG-seq方法，涵盖低通量单细胞单独处理、高通量细胞条形码标记、多组学整合等不同技术路线。然而，现有sc3DG-seq分析工具大多针对特定技术或下游分析环节，缺乏能兼容所有技术的统一分析框架，同时不同sc3DG-seq技术的性能差异缺乏系统的基准评估，这限制了研究人员对技术的选择和数据的深度挖掘。本研究针对这一空白，开发了STARK综合计算框架，实现了sc3DG-seq数据的标准化处理、质量控制和下游分析，并对15种主流sc3DG-seq技术进行了系统基准评估，同时建立了scNucleome数据库作为公共资源。
2. 文献综述解析
作者对领域内现有研究的分类维度为sc3DG-seq技术的技术路线，分为三类：低通量无细胞条形码的单细胞Hi-C技术、高通量带细胞条形码的单细胞Hi-C技术、整合多组学的单细胞三维基因组技术。
现有sc3DG-seq技术中，低通量技术如snHi-C对单个细胞处理更精细，数据质量更稳定，但通量较低，难以处理大规模细胞样本；高通量技术如scSPRITE、Droplet Hi-C可同时处理大量细胞，适合复杂组织的异质性分析，但细胞间数据质量差异较大，低质量细胞的过滤难度更高；多组学整合技术如HiRES、sn-m3C可同时捕获三维基因组与转录组或甲基化组信息，能更全面解析基因调控的多维度机制，但实验流程更复杂，数据处理和分析的难度显著提升。现有分析工具的优势在于能完成特定的下游分析任务，如质量控制、数据插补、细胞聚类等，但局限性在于缺乏统一的预处理流程，无法兼容所有sc3DG-seq技术的数据格式，不同工具的分析结果缺乏可比性，且领域内缺乏对sc3DG-seq技术性能的系统基准评估，导致研究人员难以根据实验需求精准选择合适的技术。
本研究的创新价值在于首次开发了兼容所有主流sc3DG-seq技术的统一计算框架STARK，解决了现有工具兼容性差、预处理流程不统一的核心问题；首次提出EmptyCells算法用于高通量sc3DG-seq数据的低质量细胞过滤，以及Spatial Structure Capture Efficiency（SSCE）指标用于综合评估单细胞染色质结构捕获质量，弥补了现有质量控制指标仅依赖接触数的局限性；首次对15种sc3DG-seq技术进行了系统的多维度基准评估，为研究人员选择技术提供了量化依据；同时建立了scNucleome数据库，整合了200万个单细胞的标准化处理数据，为领域提供了重要的公共资源。
3. 研究思路总结与详细解析
本研究的核心目标是开发一套能兼容所有sc3DG-seq技术的统一分析框架，解决现有分析工具的局限性，并通过系统基准评估明确不同sc3DG-seq技术的性能差异，为研究人员提供技术选择参考，同时建立公共数据库推动领域发展。研究思路遵循“工具开发→技术基准→资源构建”的闭环逻辑：首先设计并实现STARK计算框架，包含预处理、细胞质量控制、下游分析三个核心模块；然后利用STARK对15种sc3DG-seq技术的公共数据进行标准化处理，从测序效率、接触捕获效率、拓扑结构捕获效率三个维度进行基准评估；最后基于标准化处理的数据构建scNucleome公共数据库。
3.1 STARK计算框架开发
实验目的：开发能兼容所有主流sc3DG-seq技术的统一计算框架，实现数据的标准化预处理、质量控制和下游分析，解决现有工具兼容性差的问题。
方法细节：STARK框架分为三个核心模块：预处理模块（Preprocess）对原始测序数据进行质量控制（使用fastp）、序列比对（根据技术选择BWA、Bowtie2或minimap2）、接触矩阵构建，针对带细胞条形码的技术增加数据拆分和细胞分配步骤，最终将数据转换为统一的cool格式并进行Hi-C校正；细胞质量控制模块（Cell QC）开发EmptyCells算法，通过初步过滤低接触数细胞和蒙特卡洛模拟识别高质量细胞，同时引入SSCE指标综合评估染色质结构捕获质量；下游分析模块（Downstream Analysis）实现接触矩阵插补（随机游走重启算法）、细胞聚类（Leiden算法）、细胞聚合、染色质结构识别（A/B区室、拓扑关联结构域、染色质环）、三维基因组结构建模等功能。
结果解读：STARK框架能成功处理15种不同sc3DG-seq技术的数据，预处理模块可将不同格式的原始数据转换为统一的接触矩阵格式；EmptyCells算法能有效过滤低质量细胞，保留具有结构信息的细胞；SSCE指标能更全面评估细胞质量，相比传统基于接触数的指标，能保留更多具有重要染色质结构的低接触数细胞（文献未明确提供具体保留比例数据，基于图表趋势推测）；下游分析模块能实现多种分析功能，为单细胞三维基因组数据的深度解析提供支持。
产品关联：文献未提及具体实验产品，领域常规使用生物信息学分析软件如fastp、BWA、samtools、pairtools等，STARK工具可通过GitHub（https://github.com/CCCKW/stark）和Zenodo平台获取。
3.2 15种sc3DG-seq技术的测序效率基准
实验目的：系统评估15种sc3DG-seq技术的测序效率，包括测序深度、比对效率、文库复杂度、基因组覆盖度等指标，为技术选择提供量化依据。
方法细节：利用STARK对15种技术的公共数据进行标准化预处理，计算每个技术的平均每个细胞的接触数、一致比对（CM）和不一致比对（DM）读对比例、文库复杂度、序列重复率、不同分辨率（1Mb、500Kb、40Kb、10Kb）下的基因组覆盖度、GiniQC值等指标，并分析低质量细胞的多指标相关性。
结果解读：低通量技术如snHi-C的平均每个细胞接触数更高，测序深度更深；高通量技术如snHi-C+可同时测序更多细胞，但单个细胞的接触数较低；scSPRITE技术的平均每个细胞接触数最高，这得益于其基于超声破碎和空间条形码的捕获方法。多数技术的一致比对读对比例较高，但Dip-C、LiMCA等使用META全基因组扩增的技术不一致比对读对比例较高，可能与扩增方法的特性有关；低通量技术的文库复杂度更高、重复率更低，而使用全基因组扩增的技术文库复杂度高但重复率也高。多数技术在1Mb分辨率下能实现近全基因组覆盖，但snHi-C、scSPRITE等技术的基因组覆盖度较低。GiniQC值在不同技术间差异不大，但scSPRITE、scMethyl等技术的细胞质量呈现双峰分布，低质量细胞的基因组覆盖度、GiniQC和文库复杂度之间存在显著相关性，皮尔逊相关系数为0.813（文献未明确提供该数据的样本量，基于图表趋势推测）。
3.3 不同基因组范围的接触捕获效率评估
实验目的：评估不同sc3DG-seq技术对不同距离范围染色质接触的捕获能力，包括顺式/反式接触比例、不同距离范围的接触数等，明确技术在不同研究场景的适用性。
方法细节：计算每个技术的顺式（cis）与反式（trans）接触比例，分析接触频率随基因组距离的变化趋势，定量比较不同技术对短范围（<20Kb）、中范围（20Kb-2Mb）、长范围（>2Mb）染色质接触的捕获数量。
结果解读：所有技术的顺式接触比例均高于反式接触比例，其中多组学整合技术如HiRES、sn-m3C的cis:trans比例更高，可能是因为实验流程导致反式接触捕获效率降低；scSPRITE的cis:trans比例最低，其接触频率随基因组距离的下降趋势最平缓，说明其对长范围染色质接触的捕获能力最强。使用全基因组扩增的技术如snHi-C、Dip-C在所有距离范围的接触捕获数量均较高，显示出扩增方法对接触捕获的提升作用；多数技术在短范围和中范围接触的捕获能力相近，但长范围接触的捕获能力差异较大，scSPRITE显著优于其他技术。
3.4 染色质拓扑结构捕获效率基准
实验目的：评估不同sc3DG-seq技术对染色质拓扑结构的捕获能力，包括染色体疆域、A/B区室（A/B compartments）、拓扑关联结构域（TADs）等结构的检测效率，以及细胞聚合后结构的一致性。
方法细节：计算每个技术的Normalized Detection Scores（nDS）用于评估单个细胞中染色体疆域、A/B区室、拓扑关联结构域的检测清晰度；通过累积细胞聚合分析，评估不同技术在细胞聚合后TAD边界与最终聚合结果的一致性（IoU值）；利用SSCE指标评估细胞的染色质结构捕获效率，并分析其与接触数的关系。
结果解读：低通量技术在染色体疆域、A/B区室、拓扑关联结构域的检测效率上普遍高于高通量技术，可能是因为高通量技术的细胞条形码处理步骤导致结构信息丢失；scSPRITE、scNanoHi-C等能捕获高阶染色质接触的高通量技术，其拓扑关联结构域检测效率优于其他高通量技术。累积细胞聚合分析显示，sciHi-C、snHi-C+等技术能通过少量细胞聚合得到与大量细胞聚合一致的TAD边界，IoU值快速达到饱和，而部分技术需要更多细胞才能达到稳定结果。SSCE指标能区分不同质量的细胞，Type I细胞（高SSCE、低接触数）仍能捕获清晰的染色质结构，而Type IV细胞（低SSCE、高接触数）的结构信息较少，SSCE指标能提升下游细胞聚类的性能（文献未明确提供具体提升幅度数据，基于图表趋势推测）。
3.5 scNucleome数据库构建
实验目的：建立一个统一处理的sc3DG-seq数据公共数据库，为研究人员提供标准化的数据资源和便捷的分析工具，推动领域内的数据共享和研究合作。
方法细节：利用STARK对15种sc3DG-seq技术的约200万个单细胞数据进行标准化处理，整合不同技术、不同样本类型的数据，开发数据库的检索、分析和可视化功能，包括按技术、样本类型、数据来源检索数据，提供细胞聚类注释、接触图可视化（HiGlass工具）、三维基因组结构模拟（Mol* Viewer工具）等功能，同时提供数据集和单细胞水平的质量控制指标。
结果解读：scNucleome数据库包含了28个数据集、40多种样本类型的标准化处理数据，支持多维度的数据检索和分析；提供的可视化功能能帮助研究人员从不同角度探索数据的三维基因组特征；质量控制指标能帮助研究人员进行数据筛选和实验设计，为单细胞三维基因组学研究提供了重要的公共资源。
4. Biomarker研究及发现成果
本研究属于生物信息学工具开发与技术基准评估研究，未涉及生物标志物（Biomarker）的筛选、验证、功能研究或临床应用相关内容，因此无相关Biomarker研究成果。