如何輕松發(fā)純生信？首先，可以蹭熱點，如單熱點、雙熱點等；如果不蹭熱點呢？針對基因可做：單基因、雙基因、基因家族等；針對疾病可做：單疾病、雙疾病、泛癌等；那么能否做三種疾病的分析呢？當然闊以！咱們?nèi)N疾病聯(lián)合分析，瞬間打破1+1+1>3的效果！并且不同于很多生信新思路最先用于腫瘤疾病，三種疾病分析就更適用于非腫瘤疾病中，所以關(guān)注非腫瘤疾病的朋友們，心動不如行動哦~~

小云細細閱讀了這篇文章，發(fā)現(xiàn)這篇文章通過snRNA-seq數(shù)據(jù)分析三種疾?。ò柎暮Ｄ?、帕金森病和多發(fā)性硬化癥）的轉(zhuǎn)錄動態(tài)水平，數(shù)據(jù)選擇上具有較高的創(chuàng)新性（ps：數(shù)據(jù)選的好，很容易達到出其不意的效果哦）。因為相較于bulk-RNA seq和scRNA-seq數(shù)據(jù)，snRNA-seq數(shù)據(jù)可以更好地保留細胞的原始特性，并且不會受到細胞溶解等因素的影響，可以同時捕獲細胞核和細胞質(zhì)中的RNA，更方便地研究轉(zhuǎn)錄后修飾，而且snRNA-seq數(shù)據(jù)具有更高的分辨率，可以產(chǎn)生更多的數(shù)據(jù)覆蓋到內(nèi)含子和基因區(qū)間。最重要的一點是，snRNA-seq發(fā)文量遠少于bulk-RNA seq和scRNA-seq數(shù)據(jù)，有很大的發(fā)文空間。最后小云發(fā)現(xiàn)，本研究進行的SCENIC+PPI+GSEA +CMap等分析，數(shù)據(jù)量大且深，讓人感嘆思路亮眼，邏輯清晰！本文純生信拿到7分+絕對是名副其實！?

ps：不知道怎么創(chuàng)新的小伙伴可以來找小云！這里有新鮮出爐的生信熱點方向，還有一大波的可復現(xiàn)的創(chuàng)新思路，感興趣的直接掃碼咨詢！

• 題目：整合單核序列分析揭示阿爾茨海默病、帕金森病和多發(fā)性硬化癥的轉(zhuǎn)錄動力學

• 雜志：Journal of Translational Medicine

• 影響因子：IF=7.4

• 發(fā)表時間：2023年9月

公眾號后臺回復123，即可獲得原文，文獻編號：231019

研究背景

阿爾茨海默病(AD)、帕金森病(PD)和多發(fā)性硬化癥(MS)是臨床上和基因上部分重疊的三種神經(jīng)系統(tǒng)疾病。然而，大量RNA測序并不能準確檢測到其中的核心致病分子。高質(zhì)量的單細胞RNA測序數(shù)據(jù)允許在人類大腦的不同細胞中產(chǎn)生大規(guī)模的基因表達，能夠重點關(guān)注到疾病與基因之間的分子特征和關(guān)系。

數(shù)據(jù)來源

研究思路

從GEO數(shù)據(jù)庫下載三種疾?。ˋD、PD和MS）的snRNA-seq數(shù)據(jù)。snRNA-seq數(shù)據(jù)首先通過NormalizeData和ScaleData函數(shù)進行規(guī)范化，應用FindVariable函數(shù)篩選前2000個變量基因。使用前2000個變量基因進行主成分分析(PCA)，并選擇前10個主成分(PCs)進行子聚類。此外，利用Seurat中的FindMarker功能鑒定在不同細胞類型的AD、PD和MS大腦中上調(diào)的基因。而且，本研究將活性和慢性活性樣本定義為疾病組，以確定MS中真正上調(diào)的基因，并使用GSEA進行功能富集分析。本研究使用STRING數(shù)據(jù)庫進行三種疾病的DEGs的蛋白互作網(wǎng)絡分析。基于hg19-tss- centric -10 kb-10species數(shù)據(jù)庫，利用pySCENIC (v0.10.0)進行單細胞調(diào)節(jié)網(wǎng)絡推斷和聚類(SCENIC)分析。在CMap數(shù)據(jù)庫上分析AD、PD和MS的潛在治療藥物。

主要結(jié)果

1. 多數(shù)據(jù)集整合揭示了AD、PD和MS的單細胞轉(zhuǎn)錄狀態(tài)

本研究整合了64例患者的人腦snRNA-seq數(shù)據(jù)集，涵蓋了內(nèi)鼻皮質(zhì)(EC)、前額皮質(zhì)(PFC)、中腦和白質(zhì)，在這些數(shù)據(jù)集的降維可視化中觀察到批效應。應用Harmony集成后，批效應得到了有效緩解，在不同平臺或條件下沒有觀察到明顯的分離(圖1A)。對合并的snRNA-seq數(shù)據(jù)進行無監(jiān)督核聚類、差異表達分析和分類。在UMAP領(lǐng)域，利用Seurat的數(shù)據(jù)整合管道共分析了9種主要的細胞類型，共129,826個細胞核(圖1B)。圖1C顯示在定義標記物的基礎(chǔ)上鑒定的細胞類型。相對于對照組，MS患者的活動性和慢性活動性病變以及PD患者的中腦少突膠質(zhì)細胞減少，小膠質(zhì)細胞顯著增加;AD組沒有觀察到這些變化。MS的活動區(qū)和CA區(qū)OPCs也顯著減少，這與MS腦脫髓鞘一致(圖1D)。

圖1 AD, PD和MS的單細胞轉(zhuǎn)錄圖譜

2.?確定AD、PD和MS之間潛在的共享基因調(diào)控網(wǎng)絡

為了確定AD、PD和MS之間共享的基因調(diào)控網(wǎng)絡，本研究分析了三種疾病之間DEGs(AD vs. control, PD vs. control, MS_Active和MS_CA vs. Ctrl_NWM)的關(guān)聯(lián)度(圖2A)。大多數(shù)在AD中上調(diào)的基因在興奮性神經(jīng)元、星形膠質(zhì)細胞和周細胞中表達，幾乎在所有內(nèi)皮細胞和星形膠質(zhì)細胞中都發(fā)現(xiàn)了PD相關(guān)的上調(diào)基因，MS中大多數(shù)上調(diào)基因存在于內(nèi)皮細胞、小膠質(zhì)細胞、OPCs和星形膠質(zhì)細胞中(圖2A)。在三種疾病中共享至少兩種細胞類型的上調(diào)DEGs被定義為中心基因(圖2A)。使用GSEA進行GO分析，在AD和PD中發(fā)現(xiàn)了兩種常見的途徑:伴侶蛋白介導的蛋白質(zhì)折疊和蛋白質(zhì)折疊 (圖2B)，MS相關(guān)的生物過程主要與蛋白質(zhì)向內(nèi)質(zhì)網(wǎng)的轉(zhuǎn)運有關(guān) (圖2B)。

圖2 AD、PD和MS之間潛在的共享基因調(diào)控網(wǎng)絡

對中心基因進行生物學過程和分子功能分析。GO富集分析顯示，中心基因在蛋白質(zhì)折疊和包涵體組裝的調(diào)控中顯著富集 (圖3A)。HSPB1和HSPA1A均參與多種蛋白折疊相關(guān)的生物學過程(圖3B)。在AD患者的大腦中，HSPB1和HSPA1A與周細胞和興奮細胞中的DNAJB1以及周細胞中的DNAJA1相互作用(圖3C)。在PD中，內(nèi)皮細胞中的HSPB1和HSPA1A與DNAJA1相互作用(圖3D)。此外，在MS個體的大腦中，HSPB1與內(nèi)皮細胞中的DNAJB1相互作用(圖3E)。

圖3 三種疾病差異表達基因的功能富集分析

3. AD, PD和MS的轉(zhuǎn)錄動力學和調(diào)控因子

SCENIC用于繪制控制不同疾病的基因調(diào)控網(wǎng)絡，并鑒定疾病樣本中調(diào)節(jié)DEGs的潛在TFs。本研究最初確定了調(diào)節(jié)細胞異質(zhì)性的TFs模塊(圖4A)。TFs的一些模塊在AD、PD和MS中具有高度特異性(M1、M4和M7)(圖4B)。利用調(diào)控子活性評分(RAS)，本研究確定了三種疾病中特定細胞類型中活躍的一些調(diào)控子，調(diào)節(jié)細胞類型特異性功能(圖4B)。在三種疾病中，小膠質(zhì)細胞M1模塊的調(diào)控子活性較高(圖4B)。在M4模塊中，活性調(diào)控子主要存在于周細胞中，特別是在PD和MS患者中(圖4B)。M7模塊中的大部分調(diào)控子位于PD和MS患者的少突膠質(zhì)細胞 (圖4B）

圖4 SCENIC分析顯示不同細胞類型之間的不同和共享的規(guī)則

為了獲得調(diào)控子與每種細胞類型之間的特定對應關(guān)系，本研究通過特異性評分(RSS)確定了三種疾病之間的一些共同的特異性調(diào)控，作為不同細胞中基因表達差異的候選轉(zhuǎn)錄因子(圖5A)。通過整合之前確定的在三種疾病組中上調(diào)的轉(zhuǎn)錄譜，本研究確定了這些共享TFs調(diào)控的候選靶基因，包括AD中的PSAP和CNTN2，以及PD中的CHI3L1。有趣的是，與中心基因HSPB1相互作用的HSPBAP1被確定為CEBPA和SPI1共同調(diào)控的靶基因(圖5B)。這些分析確定了驅(qū)動細胞類型特異性狀態(tài)向疾病轉(zhuǎn)變的上游調(diào)控。

圖5 AD、PD和MS之間的轉(zhuǎn)錄調(diào)控網(wǎng)絡

4.?發(fā)現(xiàn)可重復使用的藥物

通過CMap，研究發(fā)現(xiàn)30種共享藥物與AD、PD和MS呈負相關(guān)(圖6)。鈣通道阻滯劑、拓撲異構(gòu)酶抑制劑、MEK抑制劑、DNA甲基轉(zhuǎn)移酶抑制劑和腺苷受體激動劑與AD、PD和MS中上調(diào)的基因呈負相關(guān)(表1)。

圖6對AD、PD和MS共有的30種治療藥物進行藥物敏感性分析

表1 30種藥物的名稱，Moa和目標

文章小結(jié)

這篇文章在分析思路上有較高的創(chuàng)新性！首先選擇三種存在關(guān)聯(lián)背景的疾?。ˋD、PD和MS）進行轉(zhuǎn)錄狀態(tài)分析，創(chuàng)新性大大滴！其次，本研究通過snRNA-seq數(shù)據(jù)進行RNA水平分析，相較于bulk-RNA seq和scRNA-seq數(shù)據(jù)，snRNA-seq主要研究單個細胞核中的RNA，為細胞核內(nèi)基因表達調(diào)控機制提供更準確的方法。并且，進行SCENIC分析+PPI網(wǎng)絡+藥物敏感性等研究，內(nèi)容深且樣本量大！這篇文章集各種亮點于一體的整體文章設(shè)計，讓咱純生信也能拿到7分+的高分！

云生信公眾號持續(xù)為大家?guī)碜钚律潘悸?，更多?chuàng)新性分析思路請持續(xù)關(guān)注小云，想復現(xiàn)這種思路或者定制更多創(chuàng)新性思路歡迎直接call小云哦，我們團隊竭誠為您的科研助力！