在过去几年里，单细胞测序技术已然成为生命科学研究中不可或缺的重要工具。单细胞基因组学的快速发展为生物医学，尤其是神经科学领域，带来了前所未有的机遇。通过该技术，研究人员能够深入探讨细胞类型特异性的特征，显著提升对异质性组织中细胞多样性及其转录程序的理解。
最近，一篇发表在《Nature Neuroscience》杂志上的长篇综述总结了单细胞和空间组学技术在神经科学研究中带来的机遇与挑战[1]。文章探讨了单细胞及空间组学的数据开源与集成、可视化与基准测试、可重复性以及未来技术开发方向等重要议题。对于从事神经相关研究的小伙伴们来说，这是一篇不容错过的精彩内容，快来一起深入了解吧！
![]()
大脑中存在数百种不同的细胞类型，包括神经元、胶质细胞和内皮细胞等。单细胞技术的进步使科研人员能够更精确地识别这些细胞类型及其在不同生理状态下的功能。例如，通过对人类大脑切片进行单细胞转录组分析，研究人员发现了与阿尔茨海默病相关的新型神经元亚群[2, 3]。
此外，单细胞测序技术使得科研人员能够深入探究细胞在正常状态与疾病状态下的细胞内转录组变化，从而使构建全面的单细胞疾病图谱成为可能。空间转录组技术则有助于定义细胞邻域并确定分子相互作用网络。这两种技术的结合为揭示细胞内的发病机制提供了新的视角，尤其是在病理状态下的细胞转变。
图1：单细胞和空间组学在神经生物学领域中的蜂窝结构和研究应用
高通量测序技术基于疾病状态下细胞在结构和功能方面的基因重编程数据集。因此，考虑到此类研究的成本，通常需要在实验设计之初，充分认识到研究课题的生物学意义，以更高性价比地利用实验资源。为此，作者建议重点考虑单细胞和空间基因组学研究的相关因素。在技术层面，需关注数据质量、测序深度、数据覆盖率及样本数量；在生物学意义上，需明确研究的细胞类型、研究队列的信息及生物学问题；在研究角度上，需考虑RNA层面、表观基因组层面及蛋白质表达层面。这些因素的综合考量将对研究的规模和深度产生重要影响。
图2：实验设计在高通量单细胞和空间基因组学研究中至关重要
在研究大脑神经系统时，除了技术因素外，还应充分考虑每种细胞类型的独特特征以及研究的具体问题。这些因素将指导研究人员选择不同的分析方法。例如，离散聚类分析适合用于分析细胞多样性，并通过病例对照的差异表达分析揭示因特定条件和特征引起的变化；而连续分析则用于描述细胞多样性及细胞沿某一方向轨迹的连续排列。
传统方法通过聚类来识别细胞多样性，通常采用最近邻图和社区检测算法，将特定细胞类型的细胞细分为转录上不同的亚群。然而，离散模型可能无法充分捕捉细胞的多样性。例如，小胶质细胞和星形胶质细胞能够快速响应环境变化以维持大脑的稳态，而少突胶质细胞谱系则在成熟过程中发生变化。
针对这些问题，研究者们开发了替代方法来建模基因表达的连续变化。例如，通过推断基因表达程序，可以将细胞视为多种表达程序的组合，从而模拟细胞功能的复杂性及其对不同刺激的反应（非负矩阵分解[4]和加权基因共表达矩阵分析[5]）。此外，能够将细胞沿着变化的连续轨迹对齐的算法（如Palantir[6]和Monocle[7]）通常用于发育数据集，也可以应用于研究成人大脑中细胞状态之间的转变，特别是在衰老或疾病过程中的变化。
具体的研究问题将进一步影响后续分析的步骤，包括调控网络中细胞间的相互作用、与遗传学及其他模式的交叉等。这些因素共同构成了理解细胞多样性及其动态变化的基础。
图3：单细胞和空间多组学研究的实验设计应用概览
随着测序技术的进步，成本显著降低，海量数据集不断涌入科研领域。数据生成速度的加快，尤其是在研究大脑细胞的复杂性和多样性方面，迫切需要大规模数据集来确保研究的透明性和可重复性。这就涉及到数据的共享、传播及可重复性。
目前，已有一些开放性社区交流平台，为科研人员提供完整的数据分析代码，以确保数据的有效传播和可重复性。例如，GitHub、Code Ocean、Jupyter及Notebooks等平台，不仅可以分享研究结果，还能共享整个分析流程。这种方法特别适用于高度定制化的数据分析，有助于其他科研人员重现和验证复杂的分析结果，促进科学社区内的相互合作，并最大化数据开发的潜力。
此外，为了进一步提升数据的可访问性和可用性，遵循FAIR原则（Findable、Accessible、Interoperable 和 Reusable）是至关重要的。妥善管理患者和实验元数据能够确保数据附带重要的临床信息，使其对研究人员更具价值，并能够有效促进数据的重复使用。
单细胞和空间基因组学技术正在为神经科学研究提供新的视角和机遇。尽管面临数据分析、技术标准化和生物学解释等挑战，但这些技术的潜力无疑将推动我们对大脑神经系统组成复杂性的理解。未来，随着技术的不断进步和应用的扩展，我们有望在神经科学领域取得更多突破，最终改善人类健康。
√ 全面剖析最新政策
√ 研究方向思路汇总
√ 高分文献深度解析
[1] BONEV B, CASTELO-BRANCO G, CHEN F, et al. Opportunities and challenges of single-cell and spatially resolved genomics methods for neuroscience discovery [J]. Nat Neurosci, 2024, 27(12): 2292-309.
[2] CAIN A, TAGA M, MCCABE C, et al. Multicellular communities are perturbed in the aging human brain and Alzheimer's disease [J]. Nat Neurosci, 2023, 26(7): 1267-80.
[3] GREEN G S, FUJITA M, YANG H S, et al. Cellular communities reveal trajectories of brain ageing and Alzheimer's disease [J]. Nature, 2024, 633(8030): 634-45.
[4] ZHANG S, YANG L, YANG J, et al. Dimensionality reduction for single cell RNA sequencing data using constrained robust non-negative matrix factorization [J]. NAR Genom Bioinform, 2020, 2(3): lqaa064.
[5] MORABITO S, REESE F, RAHIMZADEH N, et al. hdWGCNA identifies co-expression networks in high-dimensional transcriptomics data [J]. Cell Rep Methods, 2023, 3(6): 100498.
[6] SETTY M, KISELIOVAS V, LEVINE J, et al. Characterization of cell fate probabilities in single-cell data with Palantir [J]. Nat Biotechnol, 2019, 37(4): 451-60.
[7] TRAPNELL C, CACCHIARELLI D, GRIMSBY J, et al. The dynamics and regulators of cell fate decisions are revealed by pseudotemporal ordering of single cells [J]. Nat Biotechnol, 2014, 32(4): 381-6.
