单细胞组学测序在脑疾病中的应用

 关于单细胞组学测序，在前几次已经发表了几篇公众文章。例如基于单细胞转录组数据差异表达基因识别（参见单细胞数据中数据特异性差异表达基因识别）、基于单细胞转录组数据的细胞类型自动识别方法（参见单细胞转录组数据细胞类型自动识别方法）、单细胞测序技术进展（参见单细胞测序技术进展）、单细胞转录组数据缺失值填补（参见scIMC：填充单细胞转录组数据缺失值）、深度学习方法分析单细胞数据（参见深度学习助力单细胞数据分析）、单细胞数据融合（参见scIB：单细胞数据融合基准框架）、数据分析工具和教程（参见借助Bioconductor策划单细胞分析和一份单细胞数据分析教程）等。单细胞测序技术从2009年问世，成为了基因测序技术的宠儿。伴随着单细胞测序技术产生的数据资源日益增长，应用和解析对应的单细胞组学数据成为摆在研究者面前的必然途径。本次介绍一下单细胞组学数据在脑疾病中的应用进展。 

单细胞测序彻底改变了我们对大脑细胞基因组、转录组、蛋白质组和表观基因组景观的理解，为探索大脑发育和脑相关疾病提供了新的数据来源。单细胞组学测序技术的应用促进了多种脑部疾病的复杂结构的破译、诊断、靶向治疗和预后。对于大脑研究对象，基本的单细胞测序流程为选定脑组织、单细胞隔离、细胞库准备、单细胞测序等步骤。基于单细胞测序数据，主要熊两个维度（细胞和基因）进行下游分析（图1）.

图1 单细胞组学测序和常规下游分析 

与高通量测序技术对应，单细胞多组学主要包括基因组、转录组、表观遗传组、蛋白质组，它们都是从不同角度定量刻画单个细胞的基本状态。基因组DNA和遗传改变定义了基因组，RNA和蛋白质的丰度分别定义了转录组和蛋白质组，染色体DNA和组蛋白的化学修饰伴随着染色质结构定义了表观基因组（图2）。

图2 多维度单细胞数据分析 

单细胞DNA测序（scDNA-seq）由一套技术和方法组成，在单细胞水平上询问DNA，这不同于将数千到数十万个细胞的DNA含量均质化的传统“批量DNA测序”。单细胞RNA测序（scRNA-seq）被证明是最广泛应用的测序技术。与其他已建立的单细胞技术相比，它有许多成熟的协议，并加速了脑细胞分子研究的发展。据报道，尽管DNA扩增和RNA分子测序常用于研究发育中的胚胎和脑组织中细胞之间的基因组和转录组差异，在动态生物系统中，基因转录和翻译之间的相关性相对较低。例如在分化细胞和发育中的大脑。由于蛋白质在生物功能的细胞机制中的重要作用，以及基因型-表型关系加上翻译后修饰的巨大分子复杂性，在单细胞水平上破译蛋白质组引起了人们的极大兴趣。单细胞表观基因组测序是一个新兴的研究领域。由于表观基因组在细胞身份确定和基因表达调节等调节功能中起着至关重要的作用，它可以研究单细胞的表观遗传标记或染色质结构。 

可以说，现在的单细胞组学测序技术主要集中在单组学测序（针对基因组、转录组、表观遗传组和蛋白质组的一个角度），逐渐出现了双组学测序（针对基因组、转录组、表观遗传组和蛋白质组的两个角度）和三组学测序（针对基因组、转录组、表观遗传组和蛋白质组的三个角度），同时对基因组、转录组、表观遗传组和蛋白质组的四个角度进行单细胞多组学测序技术还没出现（图2）。再者，虽然细胞独特的功能和状态是由细胞内不同生物分子的协同工作决定和表现的，然而，在组学水平上的统一测序方法是不完整的。同时评估同一个单细胞内的DNA、RNA、蛋白质和表观遗传变化的技术目前仍然存在技术挑战：少量单细胞遗传物质的分离和无偏放大以及相关测序的覆盖范围、深度和准确性等。 

单细胞组学测序技术在脑疾病方面的研究主要集中在自闭症谱系障碍、阿尔茨海默病、帕金森病、恶性胶质瘤、头颈部鳞状细胞癌，详细研究进展见文献综述[1]。 

单细胞测序技术已经改变了我们看待大脑细胞组成部分的方式，允许复杂的生物系统被分解成单个细胞成分并用于超高分辨率的脑细胞群研究，进而能够描述具有独特功能特性的细胞亚群、形成细胞特性和细胞类型特异性反应的调节机制的推断，以及与大脑发育和疾病的关联性。单细胞技术在需要破坏细胞来获取分子信息方面具有不可忽视的局限性，这可能导致非生理转录，因而单细胞快照则不能记录大脑功能所必需的神经元调节和可塑性的动态变化。此外，单细胞测序还有几个方面需要进一步探索，包括不同实验方案和数据处理工作流程的测序结果的整合，不同物种和发育阶段的细胞类型的比较，单细胞数据与形态学的连接，脑细胞的生理学和连通性，单细胞测序技术与神经元标记方法（例如化学遗传学）的结合，用于解释分子信息和特定神经群体在学习、记忆和社会行为中的作用关系。 

综上所述，尽管我们对大脑的了解仍然很少，但我们期待单细胞测序技术在大脑研究领域的未来发展和应用，可能会为了解大脑的生理结构、生物功能变化以及基于所提出的单细胞分辨率脑图谱的神经疾病治疗方法的开发提供令人兴奋的前景。 

参考文献

[1] Zhang, X, Lu, P, Shen, X. Applications of single-cell multi-omics sequencing in deep understanding of brain diseases. Clin Transl Disc. 2022; 2:e95. https://doi.org/10.1002/ctd2.95 

以往推荐如下：

1. 细胞特异性因果调控网络识别

2. 因果推理综述推荐一篇

3. miRNA活性识别之因果推理方法

4. miRNA协作之因果推理方法

5. 你想了解因果推理吗？

6. 因果学习工具：Causal Explorer和Causal Learner

7. ​小样本学习

8. ​样本异质性定量化

9. ​生物标志物定义及其应用

10. 分子生物标志物数据库MarkerDB

11. 细胞标志物数据库CellMarker 2.0

12. 细胞发育轨迹数据库CellTracer

13. miRNA靶基因预测工具：“我们到了哪里，又该往哪去？”

14. 人类细胞互作数据库：CITEdb

15. 单细胞数据中数据特异性差异表达基因识别

16. ​EMT标记物数据库：EMTome

17. EMT基因数据库：dbEMT

18. ​EMT基因调控数据库：EMTRegulome

19. RNA与疾病关系数据库：RNADisease v4.0

20. 细胞互作网络识别方法：CINS

21. 带有权重的miRNA富集分析工具：wTAM

22. LncRNA富集分析工具：LncSEA

23. ​发育、稳态和癌症中的细胞竞争