Genome Biology：單細胞轉錄組揭示基因調控網絡的可塑性

發(fā)稿時間：2019-06-11來源：天昊生物

正如4G到5G，吸引我們的不僅僅是下載網速幾十倍、上百倍的提升，更是隨之而來的遠程會議、移動醫(yī)療、智能家居、工業(yè)控制、車聯(lián)網、環(huán)境監(jiān)測等一系列“萬物互聯(lián)”的前景應用。同樣的，單細胞測序帶給我們的，也絕不單單是對每個細胞層面遺傳信息的簡單檢測與記錄，而是從一個全新視角，更精準的詮釋機體組成單元活動的各種進程及異質性問題，是一種創(chuàng)新性的理念與方法。

正因如此，近幾年關于單細胞測序的研究成為了絕對的熱點之一。特別是10x Genomics單細胞平臺的商用化，從技術平臺上實現(xiàn)了單細胞轉錄組測序（scRNA-seq）等與生物研究內容間的高效對接，在鑒定細胞聚類及類型，確定不同細胞中高表達基因及功能，深入篩選和挖掘細胞標志物，鑒定時空進程中細胞的遺傳變化情況，以及利用擬時軌跡推斷細胞發(fā)育分化過程等方面，都有著廣泛的應用。

今天則跟大家分享剛剛在Genome Biology發(fā)表的一篇文章，通過對單細胞轉錄組測序數據的分析，揭示了基因調控網絡間的可塑性問題，拓展了單細胞轉錄組測序的分析內容。

 

Single-cell transcriptomics unveils gene regulatory network plasticity

題目：單細胞轉錄組揭示了基因調控網絡的可塑性

發(fā)表雜志：Genome Biology 影響因子：13.214  發(fā)表日期：2019-6

 

 

 

研究背景：

scRNA-seq是探索組織異質性、揭示分化動態(tài)和量化轉錄隨機性的最新技術。目前，scRNA-seq側重于對特征性描述的改進，如聚類、檢索標記基因和探索分化軌跡。這些都基于一個分割的、區(qū)隔化的原則，即其中每個單元都是獨立的。最近的大規(guī)模細胞圖譜通常會到達數百個分層(子)聚類。這無疑提高了人們對各種生物環(huán)境中細胞多樣性的理解。而本研究則從統(tǒng)一而非分割的角度出發(fā)，通過對scRNA-seq數據的挖掘，獲得了新的基因網絡調控信息，拓展了對單細胞數據的深入認識。

我們知道，傳統(tǒng)的轉錄組分析方法（Bulk RNA-seq），可以用于推斷和表征基因的調控網絡，但是單細胞數據受到一系列技術限制的影響，例如缺失事件(drop-out event，即表達的基因未被scRNA-seq檢測到)和高水平的噪音問題，使得利用這類數據很難進行調控網絡的推斷。

本文中，研究者利用scRNA-seq數據集，對調控網絡分析的可行性和價值進行了探討，提出了一種新的相關性度量方法，用來檢測基因與基因之間的相關性，并且成功應用這一新方法對11個小鼠器官，健康個體和2型糖尿病患者的胰腺組織，以及阿爾茨海默癥小鼠模型進行了大規(guī)模調節(jié)網絡分析。最終，利用網絡分析結果與標準分析(如聚類和差異表達分析)相結合，發(fā)現(xiàn)了許多健康和疾病系統(tǒng)的關鍵調控因子。本研究使得單細胞調控網絡分析首次完整、有效、高通量和以疾病為中心的得以應用，極大地豐富了從scRNA-seq技術中獲取更多有價值的內容。

 

實驗結果：

與傳統(tǒng)bulk轉錄組測序結果不同，單細胞數據固有的噪音和高度稀疏性，阻礙了基因間相關性可靠度量標準系數，例如Pearson、Spearman或者Cosine相關性分析的有效使用。因此，本研究開發(fā)了一種基于計算框架的新的相關性測量方法，專門用于單細胞數據分析，其基本原理是兩個相關基因遵循細胞亞型之間相似的差異表達模式。因此，該方法不使用原始變量，即標準化的表達量計數（Expression Counts）來尋找關系，而是通過將表達量計數用Z-scores代替，來計算轉換變量（Transformed Variable）之間的相關性（圖1）。

 

圖1、計算框架方法概況圖

 

當應用于由7697個小膠質細胞組成的數據集時，最終確定了933936個顯著的基因間相關性(Pearson > 0.8)，與標準化UMI計數數據相比，增加了近40000倍(圖2，只有24個相關性)。

 

圖2、利用該度量方法可以檢測到單細胞數據中隱藏的相關性

 

在確定基因對基因的相關性后，應用適應性閾值法來保留顯著相關性，并結合GO功能注釋來推斷獲得相關調控網絡。隨后，研究者對計算框架方法得到的相關性結果進行了特異性、敏感性、假陽性等檢測，結果都比較理想。

 

最后，為了評估使用從單細胞推斷的大規(guī)模調控網絡來幫助對scRNA-seq數據集進行生物學解釋的價值，研究者首先將本方法應用于分辨小鼠器官的單細胞圖譜。研究從11個器官產生調節(jié)網絡：內胚層(肺、胰腺、腸)、中胚層(心臟、脂肪、脾臟、膀胱、骨髓)和外胚層(皮膚、大腦、乳腺)。最終結果正如預期的那樣，網絡中的節(jié)點數量(即基因)與檢測到的基因的平均數量成比例。所有的網絡都具有模塊化特征，模塊化程度最高的網絡是胰腺、心臟和大腦，骨髓模塊化程度最低。有趣的是，網絡的密度(邊/節(jié)點比率)變化很大。較低的網絡密度可能表明頻繁使用“間接”轉錄調節(jié)，即涉及沒有直接基因調節(jié)功能的基因的信號級聯(lián)。值得注意的是，網絡密度和模塊性呈反比關系，表明稀疏網絡(如大腦、心臟和胰腺)以模塊間連通性降低為代價，保持了強大的模塊內連通性。因此，模塊化一定程度上代表了組織異質性，表型多樣性的增加與模塊化的網絡增多有關。

研究者推測調節(jié)網絡對于潛在疾病相關的調節(jié)變化將是特別有用的，這些變化在當前的分析方法中是無法實現(xiàn)的。因此，研究者為來自糖尿病患者的2491個單細胞轉錄組建立了健康和T2D調節(jié)網絡，最終研究發(fā)現(xiàn)，利用該方法可以檢測到2型糖尿病(T2D)患者胰腺調節(jié)網絡結構的改變（圖3）。

 

圖3、2型糖尿病(T2D)胰腺單細胞數據的基因調控網絡變化圖

 

最后，研究者進一步評估了基于網絡的方法在不同疾病和物種環(huán)境中的適用性，對來源于5XFAD轉基因小鼠（阿爾茨海默癥常用小鼠模型）的免疫細胞(CD45+)的scRNA-seq數據進行了分析。該數據集包含來自不同疾病階段(1–8?months、對照和5XFAD)的22951個單細胞的轉錄組數據，通過對調控網路的觀察，發(fā)現(xiàn)AD中的連通性普遍喪失，這增加了網絡稀疏性和信號傳播時間(最短路徑)。因此，與對照相比，幾個基因在阿爾茨海默病網絡中的中心性不同。

研究結論：

1、提出了一個從單細胞轉錄組數據推斷大規(guī)模基因調控網絡的分析框架。

2、使用圖論中的工具研究了網絡的全局和局部性質，實現(xiàn)了全面的結果表征。

3、在健康和患病樣本的單細胞數據集中生成了大量多樣的調控網絡結果，驗證了這種方法的可行性。

 

 

關于天昊

天昊生物具有多年基因組、轉錄組和表觀組檢測與分析經驗，現(xiàn)推出的10x單細胞轉錄組測序可為您提供專業(yè)便捷的科研服務及個性化的單細胞信息挖掘，期待成為您單細胞測序分析的優(yōu)質服務提供商！

歡迎聯(lián)系我們具體咨詢！

郵箱：techsupport@geneskies.com 

電話：400-065-6886