郑州一附院许予明团队：三疾病联合snRNA-seq数据，轻松0实验拿下7分+!

如何轻松发纯生信？首先，可以蹭热点，如单热点、双热点等；如果不蹭热点呢？针对基因可做：单基因、双基因、基因家族等；针对疾病可做：单疾病、双疾病、泛癌等；那么能否做三种疾病的分析呢？当然阔以！咱们三种疾病联合分析，瞬间打破1+1+1>3的效果！并且不同于很多生信新思路最先用于肿瘤疾病，三种疾病分析就更适用于非肿瘤疾病中，所以关注非肿瘤疾病的朋友们，心动不如行动哦~~

小云细细阅读了这篇文章，发现这篇文章通过snRNA-seq数据分析三种疾病（阿尔茨海默病、帕金森病和多发性硬化症）的转录动态水平，数据选择上具有较高的创新性（ps：数据选的好，很容易达到出其不意的效果哦）。因为相较于bulk-RNA seq和scRNA-seq数据，snRNA-seq数据可以更好地保留细胞的原始特性，并且不会受到细胞溶解等因素的影响，可以同时捕获细胞核和细胞质中的RNA，更方便地研究转录后修饰，而且snRNA-seq数据具有更高的分辨率，可以产生更多的数据覆盖到内含子和基因区间。最重要的一点是，snRNA-seq发文量远少于bulk-RNA seq和scRNA-seq数据，有很大的发文空间。最后小云发现，本研究进行的SCENIC+PPI+GSEA +CMap等分析，数据量大且深，让人感叹思路亮眼，逻辑清晰！本文纯生信拿到7分+绝对是名副其实！ 

ps：不知道怎么创新的小伙伴可以来找小云！这里有新鲜出炉的生信热点方向，还有一大波的可复现的创新思路，感兴趣的直接扫码咨询！

• 题目：整合单核序列分析揭示阿尔茨海默病、帕金森病和多发性硬化症的转录动力学

• 杂志：Journal of Translational Medicine

• 影响因子：IF=7.4

• 发表时间：2023年9月

公众号后台回复123，即可获得原文，文献编号：231019

研究背景

阿尔茨海默病(AD)、帕金森病(PD)和多发性硬化症(MS)是临床上和基因上部分重叠的三种神经系统疾病。然而，大量RNA测序并不能准确检测到其中的核心致病分子。高质量的单细胞RNA测序数据允许在人类大脑的不同细胞中产生大规模的基因表达，能够重点关注到疾病与基因之间的分子特征和关系。

数据来源

研究思路

从GEO数据库下载三种疾病（AD、PD和MS）的snRNA-seq数据。snRNA-seq数据首先通过NormalizeData和ScaleData函数进行规范化，应用FindVariable函数筛选前2000个变量基因。使用前2000个变量基因进行主成分分析(PCA)，并选择前10个主成分(PCs)进行子聚类。此外，利用Seurat中的FindMarker功能鉴定在不同细胞类型的AD、PD和MS大脑中上调的基因。而且，本研究将活性和慢性活性样本定义为疾病组，以确定MS中真正上调的基因，并使用GSEA进行功能富集分析。本研究使用STRING数据库进行三种疾病的DEGs的蛋白互作网络分析。基于hg19-tss- centric -10 kb-10species数据库，利用pySCENIC (v0.10.0)进行单细胞调节网络推断和聚类(SCENIC)分析。在CMap数据库上分析AD、PD和MS的潜在治疗药物。

主要结果

1. 多数据集整合揭示了AD、PD和MS的单细胞转录状态

本研究整合了64例患者的人脑snRNA-seq数据集，涵盖了内鼻皮质(EC)、前额皮质(PFC)、中脑和白质，在这些数据集的降维可视化中观察到批效应。应用Harmony集成后，批效应得到了有效缓解，在不同平台或条件下没有观察到明显的分离(图1A)。对合并的snRNA-seq数据进行无监督核聚类、差异表达分析和分类。在UMAP领域，利用Seurat的数据整合管道共分析了9种主要的细胞类型，共129,826个细胞核(图1B)。图1C显示在定义标记物的基础上鉴定的细胞类型。相对于对照组，MS患者的活动性和慢性活动性病变以及PD患者的中脑少突胶质细胞减少，小胶质细胞显著增加;AD组没有观察到这些变化。MS的活动区和CA区OPCs也显著减少，这与MS脑脱髓鞘一致(图1D)。

图1 AD, PD和MS的单细胞转录图谱

2. 确定AD、PD和MS之间潜在的共享基因调控网络

为了确定AD、PD和MS之间共享的基因调控网络，本研究分析了三种疾病之间DEGs(AD vs. control, PD vs. control, MS_Active和MS_CA vs. Ctrl_NWM)的关联度(图2A)。大多数在AD中上调的基因在兴奋性神经元、星形胶质细胞和周细胞中表达，几乎在所有内皮细胞和星形胶质细胞中都发现了PD相关的上调基因，MS中大多数上调基因存在于内皮细胞、小胶质细胞、OPCs和星形胶质细胞中(图2A)。在三种疾病中共享至少两种细胞类型的上调DEGs被定义为中心基因(图2A)。使用GSEA进行GO分析，在AD和PD中发现了两种常见的途径:伴侣蛋白介导的蛋白质折叠和蛋白质折叠 (图2B)，MS相关的生物过程主要与蛋白质向内质网的转运有关 (图2B)。

图2 AD、PD和MS之间潜在的共享基因调控网络

对中心基因进行生物学过程和分子功能分析。GO富集分析显示，中心基因在蛋白质折叠和包涵体组装的调控中显著富集 (图3A)。HSPB1和HSPA1A均参与多种蛋白折叠相关的生物学过程(图3B)。在AD患者的大脑中，HSPB1和HSPA1A与周细胞和兴奋细胞中的DNAJB1以及周细胞中的DNAJA1相互作用(图3C)。在PD中，内皮细胞中的HSPB1和HSPA1A与DNAJA1相互作用(图3D)。此外，在MS个体的大脑中，HSPB1与内皮细胞中的DNAJB1相互作用(图3E)。

图3 三种疾病差异表达基因的功能富集分析

3. AD, PD和MS的转录动力学和调控因子

SCENIC用于绘制控制不同疾病的基因调控网络，并鉴定疾病样本中调节DEGs的潜在TFs。本研究最初确定了调节细胞异质性的TFs模块(图4A)。TFs的一些模块在AD、PD和MS中具有高度特异性(M1、M4和M7)(图4B)。利用调控子活性评分(RAS)，本研究确定了三种疾病中特定细胞类型中活跃的一些调控子，调节细胞类型特异性功能(图4B)。在三种疾病中，小胶质细胞M1模块的调控子活性较高(图4B)。在M4模块中，活性调控子主要存在于周细胞中，特别是在PD和MS患者中(图4B)。M7模块中的大部分调控子位于PD和MS患者的少突胶质细胞 (图4B）

图4 SCENIC分析显示不同细胞类型之间的不同和共享的规则

为了获得调控子与每种细胞类型之间的特定对应关系，本研究通过特异性评分(RSS)确定了三种疾病之间的一些共同的特异性调控，作为不同细胞中基因表达差异的候选转录因子(图5A)。通过整合之前确定的在三种疾病组中上调的转录谱，本研究确定了这些共享TFs调控的候选靶基因，包括AD中的PSAP和CNTN2，以及PD中的CHI3L1。有趣的是，与中心基因HSPB1相互作用的HSPBAP1被确定为CEBPA和SPI1共同调控的靶基因(图5B)。这些分析确定了驱动细胞类型特异性状态向疾病转变的上游调控。

图5 AD、PD和MS之间的转录调控网络

4. 发现可重复使用的药物

通过CMap，研究发现30种共享药物与AD、PD和MS呈负相关(图6)。钙通道阻滞剂、拓扑异构酶抑制剂、MEK抑制剂、DNA甲基转移酶抑制剂和腺苷受体激动剂与AD、PD和MS中上调的基因呈负相关(表1)。

图6对AD、PD和MS共有的30种治疗药物进行药物敏感性分析

表1 30种药物的名称，Moa和目标

文章小结

这篇文章在分析思路上有较高的创新性！首先选择三种存在关联背景的疾病（AD、PD和MS）进行转录状态分析，创新性大大滴！其次，本研究通过snRNA-seq数据进行RNA水平分析，相较于bulk-RNA seq和scRNA-seq数据，snRNA-seq主要研究单个细胞核中的RNA，为细胞核内基因表达调控机制提供更准确的方法。并且，进行SCENIC分析+PPI网络+药物敏感性等研究，内容深且样本量大！这篇文章集各种亮点于一体的整体文章设计，让咱纯生信也能拿到7分+的高分！

云生信公众号持续为大家带来最新生信思路，更多创新性分析思路请持续关注小云，想复现这种思路或者定制更多创新性思路欢迎直接call小云哦，我们团队竭诚为您的科研助力！