单细胞RNA测序是新一代的测序技术,可以揭示看似同质的细胞群体中在基因表达水平上新的细胞间异质性。然而,这些实验容易产生无法解释的高水平技术噪声,给识别细胞群中真正异质表达的基因带来了新的挑战。本文主要以贝叶斯建模为背景,围绕BASi CS(Bayesian Analysis of Single-Cell Sequencing Data)框架展开讨论。具体而言,本文的工作大致可分为以下两个部分:第一部分基于BASi CS框架,量化无法解释的技术噪声和细胞间的异质性。其中以细胞特定的归一化常数作为模型参数的一部分进行估计,技术变异性根据人工导入的spike-in基因进行量化,并且将计数的总变异性分解为技术和生物成分。除此之外,BASi CS还提供了一个直观的检测标准,用于检测研究细胞群体中的高(或低)可变基因。最终,将该方法应用到小鼠胚胎干细胞的基因测序数据上,从而说明了方法的有效性和适用性。研究结果表明,在所有基因中,无法解释的技术噪声解释了一个典型细胞中大约28%表达计数的总变异性,这些数据有力地证明了生物细胞间的异质性。第二部分则基于BASi CS模型,校正差异性测试的均值依赖性。具体而言,在BASi CS框架下,建立了泊松结构模型(非回归模型)、泊松-负二项结构模型(回归模型)。首先,得出了细胞间转录变异性的残差,且该残差没有被平均表达所混淆。其次,为了评估回归BASi CS模型是否有效改善了后验推断,使用了CA1吡喃神经元的大型数据集,通过随机地对50-500个细胞进行子采样来人工生成较小的数据集。可以观察到,回归和非回归BASi CS模型均导致在不同样本量和表达水平下基本稳定的平均表达估计值;而当样本量较小时,非回归BASi CS模型低估了低表达基因的特异性过度分散参数(Over-dispersion parameter)。为了确保方法的广泛适用性,扩展了BASi CS模型以处理没有spike-in基因的数据集。本文的方法为细胞间表达变异的动力学提供了生物学见解,突出了激活后免疫细胞中生物合成机制的同步性。通过上述建立的非回归BASi CS模型和回归BASi CS模型及应用展开讨论。本文所建立的模型为了解基因表达中异质性的作用提供了强大的工具,同时为单细胞测序实验中更复杂的下游分析提供了基础。