解析单细胞RNA-Seq Nature文章

这是我听孟浩巍知乎Live:生信进阶第1课-重复Nature文章B站视频:高通量测序技术交流录像里的笔记哦~

单细胞RNA-Seq研究肺癌

目录:

  • 文章的主要结论解读
  • 传统RNA-Seq建库方法
  • 几种主要的单细胞RNA-Seq建库方法
  • 单细胞测序技术简介
  • 单细胞RNA-Seq的分析流程
  • 简单介绍主成分分析(PCA)

文章的主要结论解读

Reconstructing lineage hierarchies of the distal lung epithelium using single-cell RNA-Seq
文章:用单细胞RNA-Seq的测序技术研究了肺部表皮发育相关的内容

肺癌的分类

  • 小细胞肺癌
  • 非小细胞肺癌

其中非小细胞肺癌绝大部分是由环境因素和一些突变mutation造成的;小细胞肺癌大部分是由于自身的遗传因素造成的,包括吸烟导致的肺癌都是非小细胞肺癌。目前重点研究领域在非小细胞肺癌。

文章的figure1一定会放它最主要最亮点的东西。
figure1a 拍了一张组织图又画了一张模式图,就是告诉我们,肺泡在发育和分化过程中一共涉及到5种细胞:AT1、AT2、BP、Clara、Ciliated

figure1b 给了我们非常简单明了的解释,通过PCA的办法用第一维主成分(PC1)和第三维主成分(PC3)可以把这五种单细胞完全分开,这就说明了从基因表达谱的水平上这五种细胞确实是有不同的,这就是这篇文章的核心了:用单细胞的RNA水平也就是转录本的表达水平来分离不同分化阶段的细胞。

figure1

这篇文章的研究重点是:

    1. AT1、AT2来源于BP细胞吗?
    1. 这五种细胞在基因层面能否分的开,它的分化水平和分化过程到底是什么?
    1. 在分化的过程中有没有特定的gene marker?

figure2用headmap鉴定/聚类出每一种细胞有没有特定的gene marker,来仔细看下这张图:
首先整体上看下这张图的颜色,颜色是FPKM(基因表达量)取过log2之后的在0-15之间的数。每一行代表一个细胞的数据,每一列是一个基因的数据,这张图大概由80多行,也就是它是一个80多个细胞的数据,有100多列,也就是说它从众多众多基因里面选出了100多个有代表性的基因来画这张图。

figure2

注意一下这张图的小细节,图的左上角有Rep1、Rep2、Rep3,左边也有它们的聚类,我们看下它最终聚类结果的颜色深浅(颜色深浅代表不同的Rep)分布比较均匀,这就是为了说明这三次重复里相同的细胞聚类在了一起,而不是各个批次聚类到了一起,说明了样本重复的时候不是因为批次造成的误差,而是两种细胞真的有差别。
再简单理解一下:Rep1、Rep2、Rep3是混着去测的,每一次Rep都会侧重测哪个细胞,但是每次Rep都会把所有的细胞都测了,通过行的聚类我们可以看到Rep1、Rep2、Rep3没有出现那种情况:Rep1全都聚在一起,Rep2全都聚在一起....而是混在了一起,这就说明生物学重复不是导致它聚类的原因,细胞之间FPKM的不同才是聚类的关键所在。

下面张图是在说,这篇文章用同样的办法分析了另外一件事:BP细胞可以分化成 AT1 & AT2 这两种细胞,同时展示了:这两种细胞从什么时候开始分化的、分化过程中每一个阶段的gene和他的表达谱是怎么变化的?
看下这张图的中下部分,1这一列代表了BP细胞的表达谱,左边分别是1-->2-->3-->4 这是BP细胞表达谱逐渐发生变化的过程,最后稳定成AT1 late细胞。再向右看分别是 1-->5-->6,这是它逐渐分化成AT2细胞的过程,这就说明了BP细胞在分化过程中存在基因表达调控的变化。

对比AT1 & AT2的分化过程,可以看到表达谱的显著变化;从而可以推测每个时期的重要marker gene

这是一张非常复杂的图首先我们先把这张图的数据理清:
最左上角E14.5、E16.5、E18.5、Adult在说:对胚胎发育过程中的第14.5天、16.5天、18.5天、21天和成熟期,分别进行了single-cell 的 RNA-Seq。右上角的图例还是对FPKM取了log2,颜色亮的表示基因表达量高,颜色暗代表基因表达量低。整张图还是每行代表细胞,每列代表基因,我们可以看到同种细胞之间聚到了一起,比如图中:BP细胞和BP细胞聚到了一起,AT1和AT1聚到了一起,AT2和AT2聚到了一起,且BP正好落在AT1和AT2的中间。这是一个非常非常难的一个聚类结果,肯定调过参数的,为什么这么说?
5种细胞的不同表达谱对应了不同的marker genes

AT1和AT2这两种细胞是源于BP细胞的,这两种细胞分化而来的表达谱,肯定会筛选一些基因来做这张图才能做出来BP在中间、AT1在上面、AT2在下面这种理想效果。不能说人家是假的,只能说它肯定筛选过特定的基因也调整过参数~
底下的部分是将细胞分成不同的时期(Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ),其中包括:AT1的markers、Ⅱa和Ⅱb、Ⅲa和Ⅲb、Ⅳ、Ⅴa和Ⅴb这几组不同的基因,然后对每一组基因进行GO分析,基因分析的结果是底下的小字部分。

下面这张图是violin plotviolin plotbox plot的补充。看图:分化的不同阶段EP-A --> EP-B --> Nascent --> AT1 --> BP --> Nascent --> AT2 --> Mature --> AT2这些是细胞的类型,横向Ⅰ/Ⅱ / Ⅲa / Ⅲb / Ⅳ / Ⅴa / Ⅴb表示刚刚分出来的不同gene list,整体就是在说在不同的gene list 里面基因的表达量是不一样的。有的gene list是随着分化的进行,表达量不断降低,最典型的就是Ⅴb;有的gene list 是随着分化的进行,表达量不断上升,比如

5种细胞的不同表达谱总体表达分布的变化

文章结论:使用单细胞RNA-Seq测序技术将肺部分化发育的5种类型细胞按照其基因表达谱很好的分开了,也提供了在分化表达时的gene marker,也计算出来了一些在分化发育过程中每一个阶段基因表达谱的变化,也给出了分化过程中比较重要的gene list

文章用到的主要方法:

  • 实验方面
    单细胞RNA-Seq
  • 生信方面
    RNA-Seq数据分析
    PCA分析
    heatmap分析
    GO分析
    violin plat

传统的RNA-Seq的建库方法

分成两种:PolyA positive 和 rRNA minus/negative

PolyA positive原理:成熟的mRNA里面一般都会有 5' 端的的帽子和3' 端的PolyA尾巴,我们直接对PolyA进行富集,就可以通过PolyA的数量间接估算成熟的mRNA的基因表达量,但像小RNA、mcRNA这些不成熟的RNA就被忽略了。

rRNA minus建库方法:在建库过程中90%以上的RNA都是rRNA(核糖体RNA),但我们不需要估算rRNA的表达量,所以需要把rRNA去掉,把剩下的RNA全部测序,该方法的优势在于,它可以把除rRNA以外的所有基因表达量都估算到,缺点在于它把很多不成熟的前体和中间体也估出来了。

下图是一个真核生物的模式图,rRNA(核糖体RNA)在真核细胞里主要分布在内质网上游离在胞浆中

真核生物的模式图

核糖体在合成蛋白的过程中分为大小两个亚基,在真核生物中大亚基和小亚基是呈分离状态的,小亚基找到mRNA时大亚基就会随之结合过来开始合成蛋白,所以,在整个细胞的活动中核糖体合成蛋白是一个特别重要的部分,它所涉及到的大亚基和小亚基的组成部分在细胞里含量是最高的,这也就是为什么rRNA在细胞里面含量是最高的。


核糖体合成蛋白的过程

这是一个细菌核糖体的结构,黄色的部分都是rRNA;蓝色的部分是核糖体蛋白,在人体里,大概有80种核糖体蛋白。我们可以看到核糖体的主要部分都是由rRNA组成的,真正的蛋白起稳定结构的作用,因此,我们可以说核糖体是一个以rRNA为主题结构的带有催化活性的细胞器,所以有人认为,核糖体是我们体内最大的核酶。

细菌核糖体的结构

核糖体(rRNA)分为大亚基和小亚基,在真核生物里面,大亚基是由 5.8S、5S 、28S 这三种rRNA组成的;小亚基是由18S rRNA组成的。5.8S 5S 28S 18S 这四种rRNA的含量在我们细胞中占绝大多数,它可以占到95%以上,甚至99%以上,因此我们在进行RNA-Seq的时候如果不剔除它,或者是筛选出带有PolyA尾巴的成熟的mRNA,直接去建库的话,那建出来的库有99%的序列都是rRNA序列,测序时就测不到mRNA。

核糖体rRNA里面的组成成分

这也就是为什么传统的RNA-Seq的建库流程分成两种:PolyA positive 和 rRNA minus/negative

这两种建库方法的具体流程:

polyA positive 建库方法

先看左上,成熟的mRNA都是带有PolyA尾巴的,现在建库流程非常成熟,有方便的kit,但我们还是要了解建库的一般流程:

    1. 拿带有 Oligo dT(带一段T序列的磁珠)去富集带有PolyA尾巴的成熟mRNA;
    1. 将富集到的mRNA反转录成cDNA;
    1. 将反转出来的cDNA打断;
    1. 末端加上接头;
    1. 加接头后进行PCR扩增;
    1. 扩增结束后建库就完成了。

polyA positive 建库方法

此过程中重要的步骤是,3—>4将cDNA打断的过程。cDNA被打断后会形成一个不整齐的末端,需要进行末端补平,补平末端之后会在末端加个A,变成黏性末端,有了黏性末端就可以加上测序引物,测序引物是一个Y形的,所以我们在各种示例图里面会看到一个Y形的adapter(接头)。

rRNA minus建库方法

rRNA minus建库流程:

    1. 提取出total RNA;
    1. 用绑有rRNA特异序列的磁珠将特定的rRNA吸附下来,也就是先用特异性磁珠对total RNA里的rRNA进行粗去除;
    1. 将剩下的RNA打断破碎;
    1. 加adapter后将RNA序列转成cDNA;
    1. 用RT 和 RNaseH 酶进行消化,把没有转成cDNA的RNA消化掉,这时原来的RNA全部转成了cDNA。
    1. 之后和上面一样用cDNA去做文库的构建:cDNA末端加接头 —> PCR扩增 —> 建库完成。


      rRNA minus建库流程

如何衡量建库的第一步RNA提取的好坏?

提取出来的total RNA跑个电泳图
电泳图最左边的lane是maker,其余的从左到右依次是从好到坏,最好的是左边第二条lane,我们可以看到有三条特别明显的条带分别对应的都是rRNA,在底部会有一些弥散。

total RNA提取的电泳图

除了通过跑胶来判断,还有一个total RNA提取的质控标准RIN(RNA Integrity Number)
RIN这个参数非常重要
提取好的RNA的标准:至少能看到 5S/18S/28S的Region,旁边还能看到5.8S的小peak。
total RNA提取的质控标准RIN(RNA Integrity Number)

比较下图中 RIN10 RIN6 RIN3 RIN2,RIN数值越大越好。最完美的情况就是提取出来的RNA完全没有讲解那就是RIN为10的情况,我们可以看到RIN10那张图5S/18S/28S 那三个峰非常明显,在横坐标为29的位置那是一个5.8S的小peak,这就是非常非常好的理想情况了。我们建库一般是要求RIN7以上,严格要求是RIN7.5-8以上,才能进行建库。
RNA Integrity Number

单细胞测序技术简介

我们为什么需要单细胞测序?

我们拿今天的文章来说,同样都是肺部的细胞,肺泡细胞在形成过程中有上面介绍过的五种细胞:AT1、AT2、BP、Clara、Ciliated。这五种细胞都来源于肺,但它们的表达谱真的不一样,这就是单细胞存在的意义,它能够告诉我们detail。


Single-cell genome sequencing

看这里的小例子,如图,细胞里有四个基因:A、B、C、D。在1细胞里表达的有A、B、D;2细胞里表达的有A、B、C;3细胞里表达的只有B。我们要是混在一起测就会发现ABCD都有表达,但事实并不是这样子,这就是单细胞存在的意义。


单细胞 RNA-seq测序技术最常用的是Smart-seq2

Smart-seq2操作流程:

  • 1.将单细胞裂解;
    1. 用含有polyT的primer去富集含有polyA尾巴的RNA达到扩增的目的;
    1. 扩增完成后得到RNA(波浪线)和DNA(直线),DNA用特殊的酶处理一端加上3个C,另一端特殊的引物会加G,所以说现在两边就有引物可以扩增,扩增完之后比较有意思的地方是,它不用再打断了,里面利用了Tn5这种酶,Tn5这种酶可以特殊的识别某四个碱基然后把adapter直接加上去。所以用Tn5酶处理后的就会在序列上随机的加上adapter,就不用再片段化再补平在加adapter了,就一步到位了,加上adapter之后,后面就完全一样了。这就非常方便了,这个技术好就好在,不用加polyA了,取而代之的是加了三个G后用Tn5酶处理直接加上建库的引物,所以效率比之前的高很多。


单细胞RNA-seq的数据分析

单细胞RNA-seq的数据分析跟普通的RNA-seq分析流程是一样的,单细胞 RNA-seq做的好的标准就是跟原来的RNA-seq比较,如果数据分析方法特别特殊的话,那还有什么可比性。所以主要的部分都一样:质量控制 —> 比对前的处理 —> 把序列回帖到参考基因组上 —> 算不同基因的表达量 —> 比较差异表达 或 矫正不同的分布
总结起来还是四步:第一步,看数据质量怎么样;第二步,数据的前处理;第三步,比对;第四步,计算表达量。
单细胞RNA-seq的数据分析流程:

  • 1.raw data quality control
    fastqc;cutadapt;fastx_trimmer
  • 2.mapping to the genome
    tophat2;STAR;hisat/hisat2
  • 3.remove the duplication
    picard
  • 4.calculate FPKM
    cufflinks
  • 5.find different expression genes
    cuffdiff

这里需要强调一下,在一般的RNA-Seq分析过程中是不需要去重的remove the duplication,但是对于单细胞转录组single-cell RNA-Seq来说需要去重remove the duplication

在正式进行数据分析之前,首先需要把数据下载到服务器

0.数据下载

文章里作者会写着把数据上传到哪个数据库了,一般都是NCBI里的GEO数据库,根据作者给的GEO号我们直接去数据库里下载就好。
这里只是举个例子,演示一下如何下载数据,不是真实的文章数据


不管通过什么办法吧,我们得到下载链接,去Linux命令行里用wget下载到服务器上。
下载完之后是.sra文件

SRA文件是一个压缩的二进制文件 ,我们需要转换一下文件格式。这就用到NCBI推出的sra-tools工具。安装好之后,使用fastq-dump解压SRA文件
我们需要根据实验内容选择具体的参数,比如,是双端测序测序的话,我们需要把一个文件压缩成两个双端,分别保存5'端的reads和3'端的reads:

fastq-dump -I --gzip --split-files SRR5315196.sra

解释参数:

  • -I 给reads增加一个编号
  • --gzip 解压出来的fastq文件再压缩一下 变成SRR5315196.fastq.gz ,后面所有的处理都可以以gzip格式为标准输入,这样可以减少很多空间
  • --split-files SRA文件把双端测序压缩到一个文件里了,所以我们需要把它双端的数据解压成不同的文件里,split-files 分文件嘛~

1.raw data quality control

单细胞RNA_Seq的数据质量不会太好,我们做一个质控fastqc看看数据情况:

fastqc -t 10 -o ./ -q SRR5315196.fastq.gz

参数解释:

  • -t 调用10个核
  • -o 输出文件放到哪里
  • -q 沉默模式,只管运行就好别说话
    fastqc报告

    横坐标1-101bp就是它测序长度,纵轴就是测序质量,数值越高越好,20就代表1%的错误率。从图中我们可以看到67以后测序错误率非常的大,对于这样的数据需要做很多trim修整:1.先去测序接头 2.去trim,保证trim的长度是一致的比如我们这里可以trim到60或70,为什么需要这样呢?因为RNA-Seq不只要做表达量的分析,做表达量分析reads的长短是无所谓的,我们还要做可变剪切的分析,现在绝大多数的可变剪切数量都需要reads的长度是一样长的,所以我们保留reads的时候要序列长度一样,比如都是70bp 或 都是75bp

1.1数据前处理—cutadapt去接头

去接头
for case_name in SRR1033853 
do
    fastq_1=./raw.fastq/${case_name}_1.fastq.gz
    fastq_2=./raw.fastq/${case_name}_2.fastq.gz
    log_file=./raw.fastq/${case_name}_cutadapt.log
    out_fastq_1=./raw.fastq/${case_name}_1_cutadapt.fastq.gz
    out_fastq_2=./raw.fastq/${case_name}_2_cutadapt.fastq.gz
    nohup cutadapt  --times 1  -e 0.1  -O 3  --quality-cutoff 6  -m 75 -a AGATCGGAAGAGC -A AGATCGGAAGAGC  -o $out_fastq_1 -p $out_fastq_2 $fastq_1 $fastq_2 > $log_file 2>&1 &
done

主要参数解释:

  • --times 1 -e 0.1都是trim的基本参数不用太考虑;
  • -O 3 当有3bp的adapt序列和我的reads能overlap上才去trim;
  • -m 75 当有一条序列低于75的时候这一对reads都不要了;
  • -a -A分别对reads1去3'端的adapter和reads2去5'端的adapter;
  • -o 是输出的内容;
  • -p 是输入的内容

最后把所有的log文件保存到log_file里面。

1.2数据前处理—去trim

下面就是在做我们前面提到的, 去trim,保证trim的长度是一致,都取6-75bp的部分。


去trim
for case_name in SRR1033853
do
    fastq_1=./raw.fastq/${case_name}_1_cutadapt.fastq.gz
    fastq_2=./raw.fastq/${case_name}_2_cutadapt.fastq.gz
    out_fastq_1=./raw.fastq/${case_name}_R1_trim.fq.gz
    out_fastq_2=./raw.fastq/${case_name}_R2_trim.fq.gz

    zcat $fastq_1 | fastx_trimmer -f 6 -l 75 -z -o $out_fastq_1 & 
    zcat $fastq_2 | fastx_trimmer -f 6 -l 75 -z -o $out_fastq_2 & 
done
  • -z参数的意思是输出文件也要用gzip压缩

2. mapping to the genome

使用tophat2把序列回帖到参考基因组上

tophat2比对

mm10_index=/home/menghw/reference/mm10_fasta/mm10_genoem_bt2

for case_name in SRR1033853
do
    fastq_1=./raw.fastq/${case_name}_R1_trim.fq.gz
    fastq_2=./raw.fastq/${case_name}_R2_trim.fq.gz

    output_dir=./${case_name}_tophat_result
    log=./${case_name}_tophat_result/${case_name}_tophat.log

    mkdir -p $output_dir

    nohup tophat2 -p 32 -o $output_dir $mm10_index $fastq_1 $fastq_2 > $log 2>&1 &
done
  • -p 32:调用了32个核在跑

3. remove the duplication

在一般的RNA-Seq分析过程中是不需要去重的remove the duplication,但是对于单细胞转录组single-cell RNA-Seq来说需要去重remove the duplication

mm10_index=/home/menghw/reference/mm10_fasta/mm9_genoem_bt2

for case_name in SRR1033853
do
    input_bam=./${case_name}_tophat_result/accepted_hits.bam
    out_bam=./${case_name}_tophat_result/accepted_hits_rmdup.bam
    matrix_file=./${case_name}_tophat_result/accepted_hits_rmdup.matrix
    log_file=./${case_name}_tophat_result/accepted_hits_rmdup.log

    nohup java -Xms16g -Xmx32g -XX:ParallelGCThreads=32 -jar /home/menghw/my_software/picard/picard.jar MarkDuplicates  INPUT=$input_bam  OUTPUT=$out_bam METRICS_FILE=$matrix_file  ASSUME_SORTED=true REMOVE_DUPLICATES=true > $log_file 2>&1 &
done

使用picard程序remove the duplication时,需要调用Java资源:

  • -Xms16g -Xmx32g最小调用16G最大调用32G内存
  • -XX:ParallelGCThreads=3232个核在进行运算
  • -jar 后面指定picard.jar程序路径
  • METRICS_FILE=$matrix_file 这部分没有任何用,给它一个文件名就好

4. calculate FPKM

GTF/gtf文件是基因的注释文件,告诉我们基因在基因组上的位置

mm10_gtf=/home/menghw/reference/mm10_fasta/mm10_RefSeq.fix.gtf

for case_name in SRR1033853
do
    cufflink_dir=./${case_name}_cufflink_result/
    log=./${case_name}_cufflink_result/cufflink.log
    bam_file=./${case_name}_tophat_result/accepted_hits_rmdup.bam

    mkdir -p $cufflink_dir
    nohup cufflinks -o $cufflink_dir -p 16 -G $mm10_gtf $bam_file > $log 2>&1 &
done
  • cufflink:是用来计算FPKM的软件
  • -o:后面指定输出文件位置
  • -p 16:调用16个核
  • -G:后跟下载好的基因注释文件GTF
  • $bam_file:命令cufflinks的作用对象是比对的结果文件—bam文件

4.1 下载GTF文件

GTF文件里记录着是哪个基因来自于那条染色体以及起始坐标,基因名是什么gene_id,转录本的名字是什么transcript_id,基因别名是什么gene_name
一般gene_id是官方命名,transcript_id是转录组的名字一个基因可以对应多个转录本。

去UCSC官网:Tools--->Table Browser里下载

下载GTF文件

主成分分析—PCA

Principal Component Analysis(PCA):简单来说,就是在寻找变量中最能代表这组数据的变量;用少数几个变量的线性变化来代表原始数据,从而达到数据降维的目的。

主成分分析基本思想应用
比如:描述儿童生长发育的指标中,身高、腿长和臂长这3 个指标可能是相关的,而胸围、大腿围和臂围这3个围度指标也会有一定的相关性。如果分别用每一个指标对儿童的生长发育做出评价,那么这种评价就是孤立的、片面的,而不是综合的。仅选用几个"重要的"或"有代表性"的指标来评价,就可能失去许多有用的信息, 容易得出片面的结论。我们需要一种综合性的分析方法,既可减少指标变量个数,又尽量不损失原指标变量所包含的信息,对资料进行综合分析。

再比如:学生的各科成绩如下:


我们发现,数学科目的成绩是影响总成绩最重要的因素, 因为其他科目成绩差别不⼤; 因此数学科目的成绩就是我们这组数据的主成分。当变量少的时候我们可以一眼看出哪个是主成分,但是,当变量非常多的时候, 我们不能直接“看”出主成分, 因此需要用数学的方法进行计算。

主成分分析数学实质


我们的点是三维空间上的一个点,也就是说每一个变量是由三个子变量形成的,PCA的目的就是找到一个平面,将这些点投影到平面上,在该平面上的点必须能够确定正交的两个向量,通过这种方法就可以把三维空间上的点放在二维平面上研究,避免了研究高维问题。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,456评论 5 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,370评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,337评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,583评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,596评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,572评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,936评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,595评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,850评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,601评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,685评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,371评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,951评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,934评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,167评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,636评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,411评论 2 342

推荐阅读更多精彩内容