博文

mirCCC：推断miRNA介导的细胞通讯

已有 267 次阅读 2026-7-20 15:30 |个人分类:科普|系统分类:科普集锦

mirCCC：推断miRNA介导的细胞通讯

细胞间通讯（CCC）分析已发展成为丰富的计算生态系统。CellChat结合配体-受体先验知识与质量作用模型来分析通讯概率和网络模式，NicheNet 将发送侧配体信号与接收侧转录反应联系起来。LIANA+ 将多个 CCC 资源整合到一个统一框架中，ICELLNET˜v2 强调多亚基配体/受体复合物。较新的方法将细胞通讯分析扩展至经典配体-受体模型之外。DeepTalk 通过将空间信息整合到图模型推理中，将 CCC 扩展到空间转录组学。CellNEST 模型用于中继通讯以捕获跨中间细胞状态的信号级联。SigXTALK 进一步通过连接相互作用细胞群体间的信号通路，将 CCC 分析扩展到通路水平的串扰。尽管取得了这些进展，但这些方法中的大多数仍然依赖于蛋白质配体-受体相互作用作为其基本范式。

然而，细胞通讯并不局限于蛋白质配体-受体信号传导。细胞外囊泡（EV）作为长程载体，在细胞间传递miRNA、蛋白质和脂质，在免疫逃逸、转移、微环境重塑和治疗耐药性中发挥着广泛作用。EV介导的miRNA转移在功能上区别于配体-受体信号传导，因为它通过转录后基因抑制而非受体激活发挥作用，这使得它难以用现有的CCC框架来描述。此外，标准的单细胞转录组工作流程依赖于基于poly(A)的捕获，并且无法直接测量成熟的miRNA。

用于推断单细胞水平上EV来源的miRNA通讯的计算工具仍然稀缺。miRTalk首次将这一任务形式化，将scRNA-seq数据与EV相关的前信息以及miRNA-靶标相互作用数据库相结合。然而，miRTalk依赖于在发送细胞中检测到的miRNA表达，而传统的基于poly(A)的scRNA-seq对成熟miRNA的覆盖有限。MIR-基因转录本可能无法真实反映成熟miRNA的活性或EV负载。此外，miRTalk主要总结注释细胞类型之间的miRNA-靶标相互作用，这限制了其解析细胞间异质性和在单细胞分辨率下重建miRNA特异性通讯链接的能力。

基于这些考虑，Chen等人提出了mirCCC（图1，https://github.com/yfchen801/mirCCC），一个感知抑制的图学习框架，用于从标准scRNA-seq数据中推断miRNA介导的细胞通讯。mirCCC并非将miRNA通讯视为另一种配体-受体事件，而是从与miRNA活性一致的接收端靶基因抑制模式中推断通讯。它首先在miRNA-靶标二部图中应用有符号扩散，以从靶基因表达中估计细胞级miRNA活性代理，从而避免在传统的基于poly(A)的scRNA-seq中依赖直接miRNA检测。然后它从外泌体生物合成、miRNA分选和RISC通路基因的表达中估计细胞发送和接收能力。在此基础上，mirCCC为单个miRNA构建有向图，以解决同一注释细胞类型内细胞间的通讯异质性，并学习其miRNA介导的通讯环境的表示。关键地，通讯强度由miRNA特定的代理-抑制匹配决定：给定miRNA的高发送端代理必须与接收细胞中其对应靶基因的抑制相一致。这一要求减少了由共表达、细胞状态共变或外泌体相关机制的非特异性激活引起的假阳性。总体而言，mirCCC 将单细胞通信分析的范围从蛋白质配体-受体信号传导扩展到了更广泛的领域，并使得利用常规的 scRNA-seq 数据来分析 miRNA 所介导的调控机制成为可能。

图1 mirCCC 处理流程与模型架构。(a)输入数据：scRNA-seq 表达数据。该研究构建了一个包含经过精心筛选的 miRNA 与靶标之间相互作用的数据库。此外，还结合了三个先前的基因集合：与病毒颗粒生成相关的基因、与病毒颗粒内物质分类相关的基因，以及与 RISC 复合物组装相关的基因。这些基因集合共同构成了病毒颗粒与 miRNA 之间相互作用的分子机制。(b) miRNA 活性的推断：通过基于权重计算的 miRNA-基因邻接矩阵，将经过标准化处理的靶基因表达值进行传播，从而得出每个细胞中的 miRNA 活性得分。(c) 基于 miRNA 的有向图构建：对于每一个候选 miRNA，根据其“释放”和“吸收”能力，分别确定相应的发送细胞和接收细胞。这些细胞之间通过有向边相连，有向边上还包含了 6 维的连续特征以及可学习的 miRNA 嵌入信息。(d) 输出与可视化结果：包括细胞类型层面的通讯矩阵，以及基于 miRNA 的可视化图表。(e) 图神经网络的输入数据表示：包括 3 维的节点特征（释放、分类、RISC 活性得分），以及 22 维的边特征。(6 个连续的嵌入层加上 16 维的 miRNA 嵌入)，以及有向的多 miRNA 图结构。(f) 具有 miRNA 感知功能的编码器架构：由两个堆叠的 TransformerConv 层组成，这些层利用多头注意力机制来处理节点间的连接信息，最终生成 128 维的节点嵌入。这两层中的注意力权重会被保留下来，以便后续的评分处理。(g) 通过 Deep Graph Infomax（DGI）进行自监督训练：该算法利用余弦相似度判别器，将真实图中的节点嵌入与经过破坏后的图中的节点嵌入进行比较（后者是通过随机打乱节点和边的特征而生成的），从而在无需标记数据的情况下获得有意义的节点表示。(h) 模型输出：节点嵌入、边级注意力得分，以及经过聚合后的细胞类型间通信矩阵

参考文献

[1] Yifan Chen, Jiaming Cui, Shilong Zhang, Enyan Liu, Luyao Xie, Cong Feng, Ming Chen. mirCCC: Repression-aware graph learning for miRNA-mediated cell-cell communication inference bioRxiv 2026.06.26.734694; doi: https://doi.org/10.64898/2026.06.26.734694

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