《Briefings in Bioinformatics》:Constructing cell-type-specific gene regulatory networks from cell–cell communication and a global gene regulatory network
编辑推荐:
准确推断细胞类型特异性基因调控网络(cell-type-specific gene regulatory networks,GRNs)对于理解细胞异质性、谱系决定和疾病进展机制至关重要。尽管单细胞RNA测序(single-cell RNA sequencing
准确推断细胞类型特异性基因调控网络(cell-type-specific gene regulatory networks,GRNs)对于理解细胞异质性、谱系决定和疾病进展机制至关重要。尽管单细胞RNA测序(single-cell RNA sequencing,scRNA-seq)能够实现高分辨率的表达谱分析,但其固有的稀疏性和高噪声水平对可靠的GRN重建构成了挑战。为解决这些问题,研究人员提出了细胞类型特异性基因调控网络(CTN),一种基于双侧自表示矩阵分解的调控推断框架,该框架整合了bulk RNA-seq数据与scRNA-seq数据,以分解全局调控关系和细胞间通讯,从而在细胞类型水平上重建GRN。CTN在功能模块识别方面表现出较高的推断精度和较强的性能。在实际生物过程分析中,CTN揭示了造血系统不同谱系分化过程中的关键调控因子和功能模块,识别了肿瘤相关细胞类型的差异扰动调控网络,并描绘了肿瘤微环境中潜在的功能机制。
基因调控网络(gene regulatory network,GRN)是调控基因表达程序、控制细胞功能与行为的关键框架。准确推断GRN是系统生物学的核心任务。传统基于批量RNA测序(bulk RNA-seq)的GRN推断方法只能反映组织或器官水平上细胞群的平均效应,难以揭示组织微环境中细胞类型特异的调控信号。单细胞RNA测序(single-cell RNA sequencing,scRNA-seq)的出现为构建细胞类型特异性GRN提供了可能,但其数据固有的稀疏性和高噪声严重限制了直接推断的可靠性。此外,现有深度学习方法大多依赖转录因子-靶基因对的先验知识,在注释稀缺体系中适用性受限。为此,研究人员提出了细胞类型特异性基因调控网络(cell type-specific gene regulatory network,CTN),一种基于双侧自表示矩阵分解的调控推断方法,整合bulk RNA-seq和scRNA-seq数据,无需任何先验信息即可在细胞类型水平重建GRN。该方法在基准测试中展现出优异的推断精度,并在造血分化、肿瘤微环境等真实数据中有效识别关键调控因子和功能模块,为解析细胞分化与疾病机制提供了有力工具。
方法方面,研究人员首先利用bulk RNA-seq数据,通过GENIE3、GENIMS和NARROMI三种经典方法分别构建初始全局GRN,并采用多数投票策略(至少两种方法支持)整合得到全局基因调控邻接矩阵G。随后,将单细胞表达矩阵N与G结合,通过求解伪逆矩阵得到细胞间通讯矩阵C。接着,依据细胞类型标签提取特定细胞类型的表达子矩阵K和对应的通讯子矩阵T,再次通过伪逆求解获得该细胞类型的特异性GRN矩阵S。整个过程无需任何已知调控关系作为先验。基准数据集来自BEELINE框架的人类胚胎干细胞(hESC)、人类成熟肝细胞(hHEP)和小鼠胚胎干细胞(mESC)及其对应组织的bulk RNA-seq数据;真实应用数据包括人类骨髓造血分化(GSE139369/GSE74246)、人类胎儿造血(Zenodo及GSE122982)以及结直肠癌(GSE144735和TCGA)等。
结果部分,CTN概述(Overview of CTN):CTN采用两步推断策略,先分解单细胞表达矩阵中的基因调控与细胞间通讯,再按细胞类型反向重建特异GRN。基准数据集上的性能(Performance on benchmark datasets):在hESC、hHEP、mESC三个基准数据上,以AUROC和AUPRC为指标,CTN优于GENIE3、GENIMS、PPCOR、DeepSEM和SLIVER五种主流方法;在功能特异子网络提取方面,针对Wnt、MAPK等关键通路,CTN也取得更高准确率。人类造血分化中细胞类型特异性调控因子的推断(Inferring cell-type-specific regulators in human hematopoiesis):利用健康供体骨髓单核细胞scRNA-seq数据,对HSC、红系、粒细胞-单核细胞祖细胞(GMP)、单核和共同淋巴祖细胞(CLP)五种细胞类型构建GRN,鉴定出35个细胞类型特异性调控因子,如ETV6、E2F4、STAT5A、STAT1/2、ZBTB1等;这些因子在传统差异表达分析中无显著差异,但在网络水平呈现特异性调控,并富集于FoxO、MAPK等通路。人类胎儿造血分化中谱系特异性调控因子的鉴定(Identifying lineage-specific regulators in human fetal hematopoietic differentiation):在胎儿造血数据中,分析淋巴-髓系祖细胞(LMP)、粒细胞祖细胞(GP)、巨核-红系-肥大细胞祖细胞(MEMP)分支下游细胞类型,鉴定出B细胞谱系候选调控因子(HMGA1、NFYA、BPTF、EZR、NFATC1)和红系谱系候选调控因子(KLF13、FOXO3、NUCB1、MAPK1、ZNF24、SF3B1),并重建了mTOR和FoxO信号通路中的关键调控级联。正常结直肠组织中细胞类型特异性GRN分析(Analysis of cell-type-specific gene regulatory networks in normal colorectal tissue):在健康结直肠组织多种细胞类型中,CTN识别的调控因子与细胞身份和功能密切相关,富集分析显示其参与Fc-epsilon受体信号、氧化应激反应、血管发育和免疫效应调控等关键过程,为疾病状态下的网络扰动提供了基线。结直肠癌与健康对照中细胞类型特异性GRN的变异揭示(Revealing the variation of cell-type-specific gene regulatory networks in colorectal cancer and healthy controls):比较正常与结直肠癌(CRC)状态下髓系和基质细胞的GRN,鉴定出STAT2、PES1、TGIF1、YWHAG、S100A9等髓系关键调控因子,其扰动网络汇聚于肿瘤坏死因子(TNF)信号通路;基质细胞中AEBP1作为关键调控因子,其差异靶基因富集于ErbB信号通路。生存分析表明,STAT2、YWHAG在髓系及AEBP1在基质细胞中的高表达与CRC患者较差的总生存期显著相关。
讨论部分指出,CTN通过双侧自表示模型有效结合bulk RNA-seq的全局调控趋势与scRNA-seq的细胞间通讯模式,显著提升了稀疏数据下的稳健性和推断结果稳定性,能够识别传统差异表达分析难以发现的调控因子。全局GRN推断方法不限于上述三种,其他可用工具影响不大;未来将整合转录组与表观基因组数据构建多模态调控图谱。研究结论认为,CTN方法为细胞类型特异性GRN的重建提供了一种有效且生物学可解释的解决方案,实现了调控结构的高精度推断,并为深入理解细胞分化过程中的关键因子和调控通路提供了有力工具。