博文

stSNV：空间转录组关联的SNV资源

已有 605 次阅读 2024-11-25 09:16 |个人分类:科普|系统分类:科普集锦

stSNV：空间转录组关联的SNV资源

基因组改变在驱动细胞功能异常中起着关键作用。其中，单核苷酸变异（single nucleotide variants，SNV）——DNA序列中单个核苷酸的变化——是遗传多样性的重要贡献者。这些SNV可以影响基因表达、蛋白质功能，并最终影响生物体的表型。SNV在正常组织中积累，并与细胞系和衰老有关。此外，SNV与各种疾病的发生密切相关，特别是在癌症中。突变是细胞增殖和肿瘤形成的关键驱动因素，最终导致癌症进展。描述SNV的全部特征对于全面了解人类健康和疾病，特别是在癌症方面至关重要。目前大多数关于SNV的研究依赖于bulk全基因组测序或全外显子组测序数据。然而，这些方法会导致组织内空间信息丢失，因为SNV在组织内不同的空间位置表现出不同的分布。因此，研究SNV的空间分布对于阐明遗传因素对基因表达异质性的相对贡献至关重要，这可以为疾病发展和肿瘤进化的早期阶段提供有价值的见解。

空间转录组学技术的快速发展使得详细表征组织内细胞的空间组织成为可能，显著地改变了组织功能和疾病病理的研究。目前，RNA测序数据可以用来鉴定SNV，特别是单细胞RNA测序（scRNA-seq）数据，可以在单细胞水平上进行检测。从scRNA-seq数据中鉴定SNV有几种方法，包括SCmut、scSNV和SComatic。其中，在单细胞水平上，SComatic在区分多态突变、RNA编辑事件和人工产物方面特别有效。利用空间转录组学（ST）数据检测变异的能力是一项重大突破。虽然已经开发了诸如InferCNV和STARCH之类的工具来识别拷贝数变异（CNV）， STmut可以检测到ST数据中存在的突变，但仍然缺乏对空间数据中SNV的探索和分析。这些工具展示了通过转录数据识别突变的潜力，极大地促进了基因组和转录组学信息的整合，以了解患病组织的空间异质性。具体来说，从这些数据中识别单核苷酸变异（SNV）可以更深入地了解细胞系统发育，提高功能变异检测，并最大限度地发挥正在进行的ST研究潜力。

随着ST数据激增，已经创建了多个数据库来管理这些信息，包括SpatialDB、STomicsDB、SORC和CROST。虽然这些数据库包含大量的基因表达信息，但它们缺乏空间转录组内SNV的特定数据。此外，尽管一些数据库提供SNV信息，但它们不包括空间位置数据，例如scQTLbase，这是一个分析与疾病相关的细胞类型特异性遗传变异的数据库。CanCellVar是一个探索肿瘤微环境中细胞分辨率突变功能的数据库。因此，一个包含空间数据的SNV数据库对于探索这些变异的特征和深入研究空间功能变异至关重要。

最近，Yang等人开发了stSNV（图1，http://bio-bigdata.hrbmu.edu.cn/stSNV/index.jsp），一个基于ST数据的综合SNV数据库。stSNV数据库包括898,908个SNV，涉及人类和小鼠39种组织类型、36种疾病和450个切片。它将图像、scRNA-seq数据和空间信息相结合，提供了一套分析模块来探索SNV的空间功能特征。该数据库旨在帮助用户彻底调查与疾病相关的空间功能突变。此外，stSNV还提供了一个精心设计的用户友好界面，用于搜索、浏览和分析数据。综上所述，stSNV是基于SNV的ST数据的综合资源，为在空间转录组水平上分析致病机制提供了可靠的工具。

图1 stSNV数据库

stSNV可以在细胞或空间分辨率上研究SNV在各种组织器官中的空间分布和功能，特别是构建空间SNV图谱，可以用来区分组织内部结构区域，如肿瘤核心区和边界区。同一组织不同位置的SNV差异很大，基于stSNV可以进一步识别区域特异性SNV。例如，SNV（chrX:152701849, C > G）在肿瘤核心区域特异性调节癌基因MAGEA3的表达，如果没有空间和SNV元件的交集，这是不可见的。此外，肿瘤细胞特异性SNV与免疫细胞的空间共定位可以为新抗原识别提供有价值依据。基于空间SNV的系统发育分析也可以进一步确定肿瘤的原发位点和肿瘤的进化方向。此外，stSNV为研究人员提供了许多有价值的分析模块，包括突变核心区、空间突变特征、基因突变和细胞共定位以及SNV-空间通讯。这些遗传变异的功能分析模块有助于描述疾病区域，推断突变的环境和细胞起源，并了解疾病微环境中信号相互作用的失调。

在未来，stSNV将更新和整合更多的数据集，包括纳入更多的来自人类和其他物种空间测序数据，以及整合其他基于SNV的分析模块，如SNV读取数对基因表达扰动、SNV群共现和SNV群标签的筛选，目的是提供一个更全面的表征的功能调控作用的空间突变。此外，stSNV将整合单细胞和bulk突变数据，构建基于样本一致性特征的突变数据图，包括实验条件、细胞组成和突变负担，从而促进从多个角度分析人体组织的功能突变。总之，stSNV通过提供前所未有的突变图谱，识别空间变异区域和追踪区域特异性突变细胞起源，提供了宝贵的见解。这促进了我们对疾病遗传异质性的理解。

参考文献

[1] Yang C, Liu Y, Wang X, Jia Q, Fan Y, Lu Z, Shi J, Liu Z, Chen G, Li J, Lu W, Zhou W, Lv D, Zou H, Xu J, Li Y, Jiang Q, Wang T, Shao T. stSNV: a comprehensive resource of SNVs in spatial transcriptome. Nucleic Acids Res. 2024 Oct 29:gkae945. doi: 10.1093/nar/gkae945.

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC