作者使用的所有数据集都是从具有相同基因集的公开数据库中下载的。scRNA-seq数据（GEND000035，2018年11月29日公开）来自Gene Expression Nebulas database，其中包含1150例人类结直肠癌癌症样本。scATAC-seq数据（GSE201336，2022年4月28日公开）来自Gene Expression Omnibus database，包含6例人类结直肠癌癌症样本。

对于scATAC-seq数据，Trimmomatic被用于移除低质量碱基，FastQC用于质量控制。应用Bowtie2将reads与参考基因组（hg19）进行对齐，所有样本的对齐率>92%。BedTools根据染色体的位置计算基因符号，scATAC-seq数据维度为8097×6，scRNA-seq数据维为8097×1150。其中，8097代表对齐的基因。

scATAC-seq提供了染色质可及性的信息，并揭示了单个细胞中基因的转录活性。 直观地说，基因的转录活性和表达值之间的分布是一致的 。在这项工作中，scATAC-seq和scRNA-seq从左到右连接，通过连接获得的多组学数据的维数为8097×1156。首先，去除在少于三个样本上表达的基因，和在少于200基因上表达的样本，记为 l o g ( 10000 × M ∑ j = 1 M ​ L ( x ji ​  = 0 ) ​ ​ ) SingleR用于对标准化后的数据进行细胞类型注释。注释结果显示，大部分细胞是上皮细胞（epithelial cells），少数是星形胶质细胞（astrocytes）。上皮细胞用于随后的分析，星形胶质细胞被过滤掉，t-SNE可视化如图1A所示。

• 图1A：样本的t-sne可视化。
• 图1B：所有样本的CNV，颜色的变化表示CNV的degree，方框表示CNV更显著的区域。
• 图1C：截取了五类样本的CNV得分分布，以及得分>500的样本进行下游分析。

CNV（copy number variation）是由基因组重排引起的，导致DNA片段拷贝的增加或丢失， 这种现象在癌症中普遍存在 。因此，使用inferCNV分析上皮细胞的CNV，分析结果如图1B所示。图中的黑框显示大多数细胞的拷贝数增加或减少，但少数细胞没有显著的CNV。因此，为了挑选具有显著拷贝的细胞，作者使用k-means将上皮细胞分为五个组，分析每组细胞的CNV分数。并过滤得分<500的样本。具体计算如下：

• 数据被缩放为 i 个样本的CNV得分。这五组数据的CNV得分分布如图1C所示。其中，CNV得分<500的8个样本被认为是正常样本，其余497个样本被视为具有更显著拷贝数的样本。这497个样本的表达矩阵被提取用于下游GRN分析。

构建GRN有两个主要步骤。首先，使用无监督人工神经网络自组织映射（SOM）将所有基因映射到不同的神经元（参考 机器学习笔记本第三十三课一些经典的优化策略与神经网络变种 ），其中每个神经元代表一个基因集。SOM可以保存输入空间的拓扑结构，并将相似的基因映射在一起，从而确保这组基因的功能高度相似，这对于后续构建调控网络至关重要。其次，pySCENIC用于计算转录因子并调节每组基因。pySCENIC的创新之处在于引入转录因子基序序列，以验证通过统计方法推断的基因共表达网络，从而识别出由转录因子主导的高度可靠的GRN。

在TF-靶基因（转录因子-靶基因）图中，比如：

从数据上，它们都来自于scRNA-seq，三角形是一个节点，其实属于scRNA-seq中的某个基因，但在这个图中，它代表该基因编码的蛋白，这个蛋白是对靶基因有调控关系的转录因子。