46. 展望#
单细胞领域正在快速发展。伴随这一过程的是大量新开发的工具，它们不仅带来了新的发现，也扩充了可供选择的工具库。
46.1. 基准测试#
由于可供选择的工具数量庞大，我们预计持续、定期的基准测试会变得愈发重要。诸如 单细胞分析中的开放问题等致力于用明确定义的指标、在标准数据集上对工具进行基准测试的努力，将变得至关重要。然而，要让基准测试取得成功，单细胞社区必须就每项任务商定一套指标。因此，我们预计关于“好”或“坏”分析步骤如何界定的讨论会变得越来越重要。一旦有了新的基准测试结果和工具推荐，我们就会更新相应章节。
46.2. 图谱构建与参考映射#
随着越来越多单细胞图谱的出现，我们预计会从较多依赖手动注释，缓慢过渡到更多依赖通过参考映射实现的自动化注释。要实现这一点，单细胞社区不仅需要正常（健康）状态的参考图谱，还需要针对疾病等各种状况的参考图谱。我们设想，参考映射还能通过不确定性估计实现自动化的质量控制：那些很难映射到高质量参考图谱上的细胞，要么质量较低，要么具有高度的生物学相关性。
46.3. 模态预测#
单细胞分析正慢慢地从单模态视角转向多模态视角，以获得对细胞的完整认识。不过，并非总能获得所有模态。因此，我们预计模态预测和未配对整合方法会变得更加重要。
46.4. 端到端分析流程#
单细胞数据量和分析可能性正在以如此大的规模增长，以至于尽可能多地将流程自动化已不可避免。随着面向图谱的参考映射（用于自动完成细胞类型注释）与自动化质量控制工具的出现，开发高度自动化的分析流程正成为现实的可能。尤其是，对“旧的”、已有数据集的重新分析，可能会揭示以往被遗漏的生物学发现。第一批此类分析流程已经开始出现 [Khozoie et al., 2021]，我们还期待开发出更多支持除 RNA 以外模态的分析流程。
46.5. 单细胞蛋白质组学#
此外，单细胞蛋白质组学这一新兴而快速发展的领域 [Brunner et al., 2022] 将为单细胞领域带来一种额外的模态，伴随而来的是更多的整合挑战，但也蕴含着带来新发现的巨大潜力。目前，单细胞蛋白质组学缺乏高质量数据集，这使得开发用于稳健统计分析的工具和流程颇具挑战。一旦能够定期产生高质量的单细胞蛋白质组学数据集，我们预计单细胞社区会开发出新的分析工具。
46.6. 参考文献#
Andreas-David Brunner, Marvin Thielert, Catherine Vasilopoulou, Constantin Ammar, Fabian Coscia, Andreas Mund, Ole B Hoerning, Nicolai Bache, Amalia Apalategui, Markus Lubeck, Sabrina Richter, David S Fischer, Oliver Raether, Melvin A Park, Florian Meier, Fabian J Theis, and Matthias Mann. Ultra-high sensitivity mass spectrometry quantifies single-cell proteome changes upon perturbation. Molecular Systems Biology, 18(3):e10798, 2022. URL: https://www.embopress.org/doi/abs/10.15252/msb.202110798, arXiv:https://www.embopress.org/doi/pdf/10.15252/msb.202110798, doi:https://doi.org/10.15252/msb.202110798.
Combiz Khozoie, Nurun Fancy, Mahdi M. Marjaneh, Alan E. Murphy, Paul M. Matthews, and Nathan Skene. Scflow: a scalable and reproducible analysis pipeline for single-cell rna sequencing data. bioRxiv, 2021. URL: https://www.biorxiv.org/content/early/2021/08/19/2021.08.16.456499.1, arXiv:https://www.biorxiv.org/content/early/2021/08/19/2021.08.16.456499.1.full.pdf, doi:10.1101/2021.08.16.456499.