生物行移动版

导语： 单细胞基因组学技术已彻底改变了我们解析神经系统细胞异质性的能力，但我们对基因调控机制和细胞间互作规则的理解仍十分有限。2024年12月3日，《自然·神经科学》在线发表了由国际30余位顶尖科学家联合撰写的权威技术综述（2024年第27卷2292–2309页），系统总结了单细胞表观基因组学和空间分辨转录组学的最新进展，为神经科学研究者在海量方法中“择其善者而用之”提供了清晰的路线图。

超越转录组：两大技术前沿拓展生物学变异的新维度

综述指出，传统单细胞转录组学主要回答“细胞是什么类型”的问题，而新兴的两类技术则进一步拓展了探索的维度：

1. 单细胞表观基因组学：揭示细胞内在的调控逻辑——即基因为何在特定时间、特定细胞中被开启或关闭

2. 空间分辨转录组学：揭示细胞间的互作网络——即细胞在组织中的空间排布如何影响其功能和命运

这两类技术共同构成了从“细胞图谱”走向“机制解析”的桥梁。

第一部分：空间分辨转录组学——在原生环境中解读细胞身份

主流技术平台对比

关键计算挑战：从数据到生物学发现

解卷积（Deconvolution）：当空间捕获单元包含多个细胞时，需要利用单细胞参考数据推断每个斑点中各类细胞的占比。主流方法包括：

• Cell2location：贝叶斯模型，可估计绝对细胞密度

• RCTD（Robust Cell Type Decomposition）：基于统计回归

• Tangram：深度学习对齐方法

空间数据对齐：将不同样本、不同技术平台的空间数据映射到标准脑图谱（如Allen Common Coordinate Framework）是实现跨实验比较的关键。工具推荐STalign（基于微分同胚度量映射）和SLAT（基于图对齐）。

细胞间通讯推断：从配体-受体对到功能网络

空间数据使得推断特定微环境中的细胞互作成为可能。主流计算工具：

关键警示：配体-受体共表达不等于实际物理互作。综述强烈建议结合空间邻近性（细胞间距<2个细胞直径）和下游靶基因激活证据进行过滤。

第二部分：单细胞表观基因组学——解析基因调控的“控制面板”

染色质可及性（ATAC-seq）的变体与应用

从ATAC-seq到基因调控网络推断

核心挑战：非编码区的开放染色质如何连接到远端靶基因（距离可达1 Mb以上）？

计算策略：

1. 共可及性分析（Cicero、SCENIC+）：计算峰-峰之间的相关性，构建“共可及性网络”

2. 转录因子足迹分析：识别被转录因子结合的特定DNA基序，推断调控活性

3. 多组学整合：利用同一细胞的RNA+ATAC数据（如SHARE-seq、10x Multiome）直接关联增强子与靶基因

SCENIC+ 是目前最强大的工具之一，可同时推断转录因子、顺式调控元件和靶基因之间的“调控子”（regulon）。

其他表观维度：组蛋白修饰、DNA甲基化与3D基因组

新颖概念：染色质速率（Chromatin Velocity）利用组蛋白修饰的动态变化推断表观状态的未来走向，与RNA速率形成互补。

实验设计与数据分析的最佳实践

样本量计算

• 单细胞RNA-seq：使用scPower或SCOPIT，基于预期稀有细胞类型的比例（如<1%）和所需的统计功效

• 空间转录组学：目前缺乏专用工具，可参考GeoMx的样本量计算框架，基于效应大小和变异系数

差异表达分析的警示

综述引用了一项系统性基准研究（Squair et al. 2021），指出：

• 伪发现率：单细胞差异表达分析中高达50%的显著基因可能是假阳性

• 推荐方法：MAST、DESeq2（聚合pseudo-bulk后使用）或limma-trend

• 不推荐：简单的Wilcoxon秩和检验（假阳性率极高）

批次效应校正的共识

• 保留生物学变异：不要盲目校正与生物学条件混叠的批次

• 基准测试结果：Harmony和Scanorama在平衡校正效果和计算效率方面表现最佳

• 多模态整合：totalVI（scRNA+蛋白）、MOFA+（任意多组学）

未来发展方向：综述的十大预测

1. 单细胞分辨率的空间多组学：在同一组织切片中同时检测转录组、表观组和蛋白质组

2. 长读长单细胞测序：解析异构体（isoform）多样性和结构变异

3. 空间谱系追踪：结合CRISPR条码与空间转录组，绘制“空间发育树”

4. 活细胞功能性单细胞组学：如Live-seq，在测序后保持细胞活力以进行功能验证

5. 整合单细胞数据与神经影像：将细胞类型特异性基因表达与MRI、PET信号相关联

6. 因果推断的调控网络：从相关性网络走向基于Perturb-seq和CRISPRa/i的功能性验证

7. 跨物种空间图谱：系统比较人类、非人灵长类和啮齿类的细胞类型分布

8. 时间分辨率的空间动态：开发能够捕获发育或疾病进展过程中空间转录组变化的技术

9. 标准化数据框架：如SpatialData，实现跨平台数据的统一存储、查询和可视化

10. 机器学习驱动的标记基因发现：利用geneBasis等算法自动化选择最精简的空间探针集

资源共享与可重复性

综述强调，所有大规模图谱项目（如BICCN、HuBMAP、HTAN）均要求：

• 原始数据上传至公共数据库（GEO、NeMO Archive、Zenodo）

• 分析代码在GitHub公开，使用Nextflow或Snakemake等流程管理工具

• 交互式可视化：建立细胞类型数据库（如Allen Brain Map、CELLxGENE）

结语：从描述到机制，从单细胞到系统

综述的最终结论是：单细胞和空间基因组学已经证明了自己发现新细胞类型、描绘发育轨迹和识别疾病相关细胞状态的强大能力。然而，真正的挑战在于整合这些多维度的信息——将转录组、表观组、空间位置、细胞互作和功能属性融合成一个统一的“细胞身份”定义。

未来十年，神经科学的核心任务将从“绘制零件清单”转向“理解装配规则”：什么样的调控网络决定细胞类型？细胞的空间邻域如何塑造其功能？疾病突变如何扰乱细胞间的通讯？回答这些问题需要技术开发者、计算生物学家和神经环路功能研究者的紧密合作。

原始论文：Bonev, B., Castelo-Branco, G., Chen, F. et al. Opportunities and challenges of single-cell and spatially resolved genomics methods for neuroscience discovery. Nat Neurosci 27, 2292–2309 (2024). https://doi.org/10.1038/s41593-024-01806-0

系列综述：本文与同期发表的另外两篇综述（Adameyko et al. 关于单细胞在细胞命运中的应用；Colonna et al. 关于实验实施与验证）共同构成了《自然·神经科学》的“单细胞基因组学在神经科学中应用”完整指南系列。