作者Evil Genius接下来为我们的生化小课CADD计算机辅助药物设计分子对接/分子动力学做好准备;大家有条件基因组 单细胞空间 分子对接/分子动力学都学习一下多组学角度看问题会比单一组学好很多。其实无论是分子对接还是分子动力学都需要我们采用服务器操作所以大家对linux和python要有一定的基础其中autodock vina和Gromacs需要大家会操作Linuxpyrosetta需要大家会python大家可以看一下2025番外--linux、R、python培训希望参加培训的同学全流程学会一劳永逸解决这个组学的分析问题。无论做什么事情我们先把事情做好再说其他的内容我认为这个内容非常重要基本都看的英文版本总结了很多内容即使只有一个人参加培训我也想好好全流程梳理一下报名后课程取消也不用担心大家不会有任何的损失可能是这个内容大家不需要目前一个人报名都没有可能要取消了。不过还是那句话要学好好学不学就算了掌握技能和好的心态起码占一样不要花费了金钱精力时间还没学会不如好好玩两个月回来花钱让公司做了。今日参考文献核心目标识别同一细胞类型内具有不同通讯行为如信号发送者、接收者或非参与者的细胞亚群。将细胞通讯与细胞命运决定如分化动态联系起来。构建连接不同通讯通路的多层基因调控网络GRN。我们来简单总结一下摘要 (Summary)背景细胞-细胞通讯CCC通过传递组织间的信息并诱导由基因调控网络介导的细胞内反应来调控细胞命运决定。问题尽管从高通量数据中推断 CCC 日益流行但研究通讯通路如何在多尺度上运作并影响细胞命运决定仍然具有挑战性。解决方案作者提出了 scRICH一个计算框架。它能利用单细胞和空间转录组数据揭示细胞类型内部通讯行为的异质性。通过整合 RNA 剪接的动态信息将 CCC 与细胞命运决定联系起来。通过构建多层调控网络将细胞间相互作用与细胞内反应连接起来。验证与应用通过与角化细胞中 EGF 配体/受体共表达的新实验进行验证并与现有方法比较。在多个生物学场景皮肤、红细胞分化、EMT、心脏发育空间数据中的应用证明了其能力。引言 (Introduction)背景与现状从单细胞测序数据中推断 CCC 已成为一种高度自动化的方法。但现有方法存在几个关键局限分辨率与稳健性的平衡单细胞分辨率会导致数据稀疏性问题而将表达平均到细胞类型水平则可能丢失细胞类型内部的异质性即同一类型细胞在 CCC 中可能扮演不同角色。缺乏动态信息现有模型通常将细胞状态视为静态的无法理解 CCC 如何随细胞状态转换而变化。忽视多尺度特性信号转导网络处理外部信息并调控次级 CCC 通路是一个持续的相互作用过程但现有方法大多将细胞外信号和细胞内反应分开考虑。scRICH 的提出为了解决上述问题作者开发了 scRICH。它结合了单细胞转录组学、先验生物学知识和数学模型旨在稳健地量化 CCC 异质性并揭示其与细胞状态和命运决定的相互依赖性。结果1、方法学概述概念引入scRICH 通过识别“通讯模式modes”来区分细胞行为如“发送者”、“接收者”、“非活跃”等。工作流程识别 CCC 模式基于给定的信号通路如 EGF利用非负矩阵分解NMF对细胞进行聚类识别出该通路下不同的 CCC 模式。构建“元细胞Meta-cells”将传统的“细胞类型”和“CCC模式”信息整合形成更精细的“元细胞”群如“基底角化细胞-EGF接收者”。这使得分析既考虑了转录组相似性也考虑了通讯行为相似性。计算异质性评分 (Heterogeneity Score)通过量化细胞类型内部在不同 CCC 模式中的分布计算一个 [0,1] 范围的评分。评分越高表示该细胞类型在特定通路上的通讯行为越异质即简单取平均会丢失大量信息。构建通讯网络在“元细胞”水平上基于配体-受体表达和下游靶基因的激活利用 RNA 速度构建 CCC 网络模型。提供了两种模型“扩散模型”放大强相互作用和“质量作用模型”更灵敏可捕捉弱相互作用。推断通路间关系利用互信息分析不同 CCC 通路模式之间的相关性并通过 Sankey 图可视化。进一步通过推断基因调控网络GRN和最大流算法识别连接两个不同通路的关键调控节点。结果2、方法基准测试与比较与现有方法比较scRICH 在细胞类型水平上的预测与 CellChat、CellPhoneDB、LIANA 等工具具有相似的准确性。独特优势揭示异质性通过对皮肤角质形成细胞数据集FibHSE的分析scRICH 能够识别出 EGF 通路的三种模式非活跃、接收者、发送者/接收者。研究发现某些细胞状态如基底角化细胞 BAS-I、棘层角化细胞 SPN-1具有较高的异质性评分意味着在细胞类型水平上取平均会丢失大量信息。相比之下其他工具无法捕捉到这种亚群级别的差异。稳健性测试分析了 scRICH 对数据插补参数的依赖程度结果表明其对主成分PC数量不敏感但对细胞邻域N参数有一定依赖性。结果3、实验验证皮肤类器官中的 EGF 通路验证对象使用 FibHSE含成纤维细胞的人皮肤等效物类器官验证 scRICH 关于 EGF 通路异质性的预测。关键发现实验证实了 scRICH 的预测晚期的角化细胞如 SPN-3, GR-1主要是 EGF 的“发送者/接收者”而早期状态的角化细胞如 BAS-III, BAS-IV, SPN-1主要是“接收者”。免疫荧光染色证实EGF 配体和 EGFR 受体在未处理时低表达但在外源 EGF 刺激后显著上调并共定位。这支持了晚期角化细胞通过 EGF 信号向早期角化细胞传递信息的模型。通路间关联发现 TGFb 通路与 EGF 通路高度相关。TGFb 的强“接收者”倾向于也是 EGF 的“接收者”TGFb 的“发送者”在 EGF 通路中多为“非活跃”状态。构建 GRNscRICH 构建了连接 EGF 和 TGFb 通路的基因调控网络并预测 HRAS 和 INHBA 是连接两者的关键中间调节因子。实验证实 HRAS 和 INHBA 在 EGF 刺激后表达上调。类似的分析还揭示了 EGF 与 CDH钙粘蛋白调控粘附和 NOTCH 通路之间的强相关性并构建了相应的调控网络。结果4、应用皮肤伤口愈合中的免疫-基质细胞互作研究对象分析皮肤伤口愈合数据中的 IL-1 通路。关键发现scRICH 识别出 IL-1 的三种模式接收者、发送者、非活跃。某些细胞类型如成纤维细胞1、中性粒细胞、巨噬细胞/树突状细胞、IFE 角化细胞内部包含不同的 IL-1 通讯亚群具有高异质性评分。通过置换检验Permutation testing验证了将中性粒细胞和巨噬细胞/树突状细胞中的“接收者”和“发送者”亚群分开进行功能研究是统计学显著的。这突出了避免简单取平均的重要性。通过计算每个细胞类型在所有通路上的总体异质性发现成纤维细胞、巨噬细胞/树突状细胞和中性粒细胞的行为更异质。应用红细胞分化研究对象研究红细胞成熟过程中 IGF 和 VEGF 等通路的动态变化。关键发现scRICH 能够捕获通讯模式随分化轨迹的演变。在红细胞谱系中早期细胞BP-1主要是 IGF 的“接收者”而晚期细胞Er-1, Er-2主要是“发送者”暗示晚期细胞可能通过 IGF 信号反作用于早期细胞促进其分化。通过将细胞在多个通路上的通讯模式进行整合和无监督聚类scRICH 定义了 12 种“通讯模式patterns”这些模式代表了不同分化阶段特有的多通路协同通讯行为。例如Pattern 0 富集于早期细胞表现为中胚层因子MK等多种配体的高表达Pattern 5 富集于晚期细胞表现为 MK 配体和受体的共表达。应用TGFb诱导的上皮-间质转化 (EMT)研究对象分析 TGFb 处理诱导 OVCA420 卵巢癌细胞发生 EMT 的过程。关键发现TGFb 通路存在三种模式非活跃、接收者、发送者。随 EMT 进程发送者比例增加。结合 RNA 速度scRICH 发现存在两条 EMT 路径一条是直接从上皮E到间质M的“短路径”此路径主要依赖 TGFb 信号另一条是通过中间态I的“长路径”此路径同时依赖 TGFb 和 BMP 信号。多组学整合通过构建 TGFb 和 BMP 的联合基因调控网络识别出 SMAD3、SMAD6 等共同的关键转录因子。应用空间转录组 (ST) 数据研究对象分析鸡心脏发育的空间转录组数据。关键发现scRICH 能够识别出 CCC 模式在物理空间上的特异性分布。例如MK 通路的“发送者/接收者”模式、 “接收者”模式和“弱发送者/接收者”模式分别富集在不同的解剖区域而非按细胞类型随机分布。定义了“空间异质性指数”该指数在空间中存在差异表明局部微环境影响着细胞的通讯行为。利用互信息分析发现FN1纤维连接蛋白和 COLLAGEN胶原蛋白通路的通讯模式在空间上有很高的相关性但有趣的是这种相关性在某些特定区域会显著降低暗示这些区域的功能可能有所不同。总结CCC 连接了多细胞系统的信息流通过 GRN 连接了组织和细胞尺度。现有的高通量技术提供了前所未有的观测机会但现有模型往往割裂了细胞外信号CCC和细胞内反应GRN。生活很好有你更好。