Shanghai Meisi Pharmaceutical Technology Co. Ltd.

文章解读+创新点拓展，为您带来科研新体验～ 导读 随着科技的进步，可穿戴设备已不仅仅局限于日常健康监测。结合人工智能（AI）技术，这些设备正逐步改变我们对精神障碍的理解和治疗方式。近期发表在《Cell》的一项研究《Digital phenotyping from wearables using AI characterizes psychiatric disorders and identifies genetic associations》，深入探讨可穿戴设备如何通过AI技术实现精神病理特征的数字化，并揭示其背后的遗传学机制，为临床医生和科研人员提供新的视角和技术工具。 研究背景 近年来，可穿戴设备因其便携性和连续性而成为收集个体行为数据的理想工具。然而，如何从海量的数据中提取有意义的信息一直是研究者们面临的挑战。本研究通过整合来自青少年脑认知发展研究（ABCD Study）的数据，利用先进的机器学习算法如XceptionTime、XGBoost等，实现了对注意缺陷多动障碍（ADHD）等多种精神疾病的精准预测和分类。此外，研究人员还进行了全基因组关联分析（GWAS），以探索潜在的遗传因素。 研究设计与结果 研究团队首先使用了大规模的生物样本库（ABCD）来获取基因信息，并通过定制化的软件和算法处理来自智能手表和其他可穿戴装置的数据。为了确保模型的有效性和可靠性，采用了多种统计方法，包括连续单变量和多变量GWAS，以及贝叶斯结构时间序列分析等，最终确定了与精神障碍相关的遗传位点。 图1：利用ABCD队列的临床、数字和遗传数据来改善精神疾病的特征 研究人员利用ABCD数据集，涵盖了11,878名9至14岁青少年的临床、可穿戴设备和遗传学信息，其中男性5,682名，女性6,196名（图 1A和1B）。通过处理来自Fitbit智能手表的数据，包括心率、卡路里消耗、活动强度、步数、代谢当量（MET）、睡眠水平和强度等指标（图1C），研究团队生成了详细的数字表型，量化个体生理过程及其对环境刺激的实时响应，提供了关于行为模式的关键洞察。 基因数据由ABCD联盟使用烟幕基因分型阵列收集，并经过严格的质量控制（QC），以确保高质量的数据用于下游GWAS分析。对8,791个个体和157,556个单核苷酸多态性（SNP）进行的主成分分析揭示了队列中不同的祖先背景，这些主成分作为协变量应用于后续分析中，增强了结果的准确性（图1D）。 综上所述，本研究设计了一个综合框架，将环境因素、基因型、精神障碍诊断以及从可穿戴设备衍生的行为特征紧密相连。 图2：用于数据处理、特征工程和模型体系结构的工作流 为了确保模型的全面性和准确性，研究人员纳入了广泛的精神病学研究中常见的协变量，如人口统计学特征、认知测试结果、行为清单等（图2A）。这些协变量为模型提供了丰富的背景信息，同时帮助控制潜在的混杂因素。针对稀疏数据问题，研究团队开发了一套信号补全和处理方法，成功从Fitbit智能手表获取了48个时间序列通道的数据，每个通道代表一种生理或行为指标的时间演变，如心率、步数等（图2B），从而捕捉个体日常活动模式中的细微变化。 静态特征生成基于Fitbit数据，通过描述性统计学（如平均值、中位数）处理，最终为每位参与者生成了总计258个静态特征（图2C）。这些特征被划分为七个主要簇，涵盖不同类型的生理和行为过程，包括心率、睡眠持续时间和质量、代谢摄入量以及体力活动水平（图2D）。 分类任务方面，研究人员采用了梯度提升机器学习算法XGBoost来处理静态特征，以减少过拟合风险并保证模型性能。对于动态特征的时间序列性质，则选择了卷积神经网络Xception作为核心工具。Xception利用变化的卷积滤波器和残差连接结构，在保持高效参数化的同时，充分挖掘了生理和行为模式中的时间依赖关系，增强了对精神疾病的诊断能力。 静态和动态特征共同构成了一个全面的数字表型库，用于宏表型分类及模型解释性评估（图2E）。研究团队提出了“可穿戴组合得分”的概念，这是一种非线性模型，将多个数字特征融合在一起，以预测特定精神障碍的发生概率。此分数不仅总结了个体患病风险，还通过可穿戴GWAS实现了生物标志物的识别，为个性化医疗提供了有力支持。 图3：精神疾病表型分类模型的表现和可解释性 在构建用于区分ADHD患者和健康对照者的分类模型时（图3A），研究人员首先使用静态特征结合XGBoost算法，实现了平均受试者工作曲线下面积（AUROC）为0.87和精确度为0.79。当引入动态特征并通过Xception处理时，模型表现进一步提升，达到平均AUROC 0.89和精确度0.83。相比之下，仅包含协变量的基本模型的AUROC为0.83，表明可穿戴设备衍生的特征显著提升了诊断准确性。 对于焦虑障碍（图3B），研究人员再次应用相同的建模框架，即静态特征与XGBoost以及动态特征与Xception相结合。结果显示，静态特征的平均AUROC为0.69，精度为0.64；而动态特征则将这两个指标分别提升至0.71和0.68。尽管两种模型均优于基线模型（平均AUROC 0.67），但动态特征模型的表现最佳。这强调了可穿戴数据中固有的时间模式对理解人类行为的重要性。 为了深入了解哪些特征对分类任务最为关键，研究人员采用了消融技术来评估每个特征对模型性能的影响。对于ADHD分类，心率被确定为最重要的特征，其次是其他动态特征如睡眠、步数和代谢当量（METs），以及人口统计学、家庭历史和认知分数等协变量（图3C）。 然而，在焦虑障碍分类中，睡眠质量、阶段、卡路里消耗和步数是主要的动态特征，而心率在此情境下并未显示出同等的重要性（图3D）。 研究人员还探讨了一天中不同时间点上动态特征的重要性。利用梯度加权类激活映射（Grad-CAM）和消融技术，发现对于ADHD患者而言，下午早些时候的心率动态特征尤为重要，这可能反映了青少年ADHD患者与其同龄人在该时段的行为差异（图3E）。这种现象与临床研究中观察到的昼夜节律效应相吻合。相反，夜间睡眠相关的动态特征更有利于焦虑分类，这与临床预期相符（图3F）。 总体来说，这些结果不仅展示了可穿戴设备衍生特征作为数字表型的价值，而且揭示了它们如何更好地捕捉与精神障碍宏观表型相关的行为和生理时序模式。 图4：曼哈顿图总结了ADHD的多变量和单变量GWAS的结果 研究人员开发了一种创新的AI建模框架，利用穿戴式设备衍生的特征作为精神疾病宏表型的预测因子。选择1,191名个体（含137名ADHD患者和1,054名健康对照者）进行GWAS研究，以识别与精神疾病相关的遗传变异。 首先，研究人员将穿戴式设备衍生的特征簇视为数字表型，评估遗传变异对ADHD患者和对照组的不同影响。进行了连续多变量GWAS，将可穿戴特征向量回归到基因型、协变量以及基因型与个体宏观表型之间的交互作用。结果显示，两个位点达到了全基因组显著性水平，涉及6个精神疾病相关基因，包括ELOVL5、FBXO9 和 CILK1等（图4B）。 后续测试进一步确定了哪个可穿戴特征在集群内驱动了显著关联，发现携带rs186003 CC基因型的ADHD患者报告的久坐时间比携带AA基因型的患者少，这种差异仅存在于ADHD患者中，表明基因型对可穿戴特征的影响是特定于该状态的。 研究人员还进行了另一种类型的GWAS，即使用AI框架中获得的“可穿戴组合得分”作为响应变量。这些分数整合了多个穿戴式衍生特征，总结了个体患ADHD的可能性。在连续单变量GWAS中应用这些分数时，共识别出10个显著位点和21个精神疾病或脑相关基因（图4C）。其中三个基因（ADORA3、PSMD11 和DLG4）之前已被报道与ADHD有关，增强了结果的功能意义。此外，部分识别的位点与先前报道的GWAS SNP重叠，涉及神经质、睡眠中断和其他临床特征。 在同一组个体上执行的传统病例对照GWAS未能发现任何显著位点（图4A），这与连续测量比二值化特征具有更高统计学效力的结果一致。通过这种方式，研究人员展示了连续多变量和基于机器学习的方法在遗传研究中的优越性，证明了穿戴式设备数据在揭示复杂精神疾病遗传基础方面的潜力。 图5：探索可穿戴式GWAS的遗传-生理-精神轴 研究人员不局限于针对特定疾病（如ADHD）的GWAS研究，还进一步探索了所有可穿戴设备特征在更广泛的精神疾病群体中的应用。在这项扩展性的多变量GWAS中，研究人员将可穿戴特征向量作为回归因变量，控制组为健康个体，实验组涵盖所有精神障碍患者。类似于之前的分析方法，进行后验测试以确定哪些具体特征驱动了显著的遗传关联。结果显示，四个位点达到了全基因组显著性水平，并涉及10个在神经发育性和精神病性障碍中有记录作用的基因（图5A）。 研究人员深入探讨了这些遗传变体在行为特征之外的影响及其与临床精神病理学的关系。例如，rs365990的小等位基因（G）与平均心率增加及昼夜间心率变异性降低显著相关（图5B左）。该等位基因在双相障碍患者队列中比对照组更为丰富（图5B右），表明它可能与这种严重病理学中心血管活动的不规则性有关。此外，rs365990是CMTM5基因的表达数量性状位点（eQTL），此基因在大脑亚区域高度表达并参与应激反应和童年逆境，强调了其对精神疾病的潜在重要性。 对于另一个位点rs113525298，小等位基因与卧床时间延长及白天活跃时间缩短相关联，并且在ADHD队列中的出现频率较低（图5C）。这提示该等位基因可能具有对抗过度活动障碍的保护作用，这一发现得到了邻近位置SNP（靠近ELFN1基因，之前与ADHD病理生理学相关）的支持。 总体而言，这些结果展示了可穿戴设备衍生特征作为数字表型在GWAS中的强大应用潜力。通过整合多源数据，研究人员能够识别出与临床精神病学相关的遗传变异，这些变异不仅影响个体的行为模式，还可能揭示新的生物学机制。 拓展延伸 除了精神疾病外，可穿戴设备与人工智能（AI）技术的结合也在其它疾病和公共卫生领域具有极大的潜能，并为未来的研究提供新的思路。 1.流行病学调查 Nagata等人的研究表明，通过Fitbit设备记录儿童早期每天步行数目的变化趋势，可以作为评估社会环境因素对健康影响的重要指标。这种非侵入式的数据收集方式能够帮助流行病学家更好地理解生活习惯和社会经济地位之间的关系。例如，在研究青少年肥胖问题时，可以通过长期跟踪其日常活动量来识别出那些可能因缺乏运动而面临更高风险的个体或群体，进而制定针对性的预防措施。此外，类似的方法还可以用于探究空气污染、噪音暴露等因素对人体健康的潜在影响。 2.疾病早期预警系统 Mishra及其同事展示了如何借助智能手表提前检测新冠肺炎的症状前兆。他们开发了一种基于机器学习算法的预警模型，该模型可以从用户的心率、体温等生理参数的变化中识别出异常模式，从而在症状显现之前发出警报。这种方法不仅提高了诊断效率，还降低了交叉感染的风险。更重要的是，它证明了可穿戴设备作为一种实时监控工具的价值，尤其是在应对突发公共卫生事件期间。对于其他急性传染病如流感或其他呼吸道疾病来说，这样的系统同样具有重要的实用意义。 3.慢性病管理 除了急性病症之外，慢性病患者也可以从这项技术中受益。比如糖尿病患者可以使用连续血糖监测仪（CGM）配合智能手机应用程序来跟踪自己的血糖水平；高血压病人则可以通过腕带式血压计随时了解自己的血压状况。结合AI算法分析这些数据后，医生便能更及时地调整治疗方案，确保患者获得最佳护理。同时，这类个性化健康管理平台也有助于增强患者的自我管理意识，提高治疗依从性。 4.心理健康支持 除了物理健康方面，心理健康也是一个值得关注的重点领域。近年来，越来越多的心理咨询师开始尝试利用聊天机器人或者虚拟现实（VR）技术为来访者提供辅助服务。但是，要实现真正的远程心理干预还需要更加精准的情绪状态评估手段。这时，集成有情感计算功能的可穿戴设备就显得尤为重要。例如，通过分析语音特征、面部表情甚至是皮肤电反应等多模态信息，系统可以自动判断一个人当前的心理状态，从而触发相应的辅导建议或者紧急求助机制。这对于抑郁症、焦虑症以及其他情绪障碍的早期发现及后续跟进都大有裨益。 5.药物研发与临床试验 可穿戴设备和AI技术也为药物研发带来了前所未有的机遇。传统上，新药开发过程往往耗时漫长且成本高昂，其中一个主要原因就是难以获取足够数量的有效样本以验证疗效。然而，随着移动互联网和物联网（IoT）的发展，现在可以通过大规模招募志愿者并利用智能手环、智能手表等设备收集详尽的用药反馈数据。这样一来，不仅加快了实验进度，还能更精确地评价不同人群间的效果差异，为个性化医疗奠定坚实基础。 临床应用与展望 本次研究表明，通过融合可穿戴设备与AI技术，不仅可以提高精神障碍诊断的准确性，还能促进跨学科合作，共同推动心理健康领域的创新与发展。期待未来会有更多类似的研究出现，让科技更好地服务于人类健康事业。 注：本文旨在介绍医学研究进展，不做治疗方案推荐。如有需要，请咨询专业临床医生。 参考文献： Liu JJ, Borsari B, Li Y, Liu SX, Gao Y, Xin X, Lou S, Jensen M, Garrido-Martín D, Verplaetse TL, Ash G, Zhang J, Girgenti MJ, Roberts W, Gerstein M. Digital phenotyping from wearables using AI characterizes psychiatric disorders and identifies genetic associations. Cell. 2024 Dec 18:S0092-8674(24)01329-1.  点击下方「阅读原文」，前往梅斯官网查询更多相关课程和实验技术服务支持~

近年来，随着科学技术的不断进步，癌症治疗领域涌现出许多新的研究思路和方法。 2024年12月11日，韩国科学技术院的研究团队发表了题为“Control of Cellular Differentiation Trajectories for Cancer Reversion”，文章提出了一个创新的计算框架——单细胞布尔网络推理与控制（BENEIN），并将其成功应用于人类肠道单细胞转录组数据的分析。这一研究不仅为癌症逆转提供了新的视角，还揭示了一种可能的方法，通过对肠癌细胞进行调控，能够使其逆转为正常细胞，恢复肠道的健康功能。该研究成果已发表在《Advanced Science》杂志上。 该团队认为，癌细胞本质上是正常细胞在某些基因调控失衡的情况下发生了异常分化和增殖。 如果能够找到控制癌细胞分化的关键基因，通过调节这些基因的表达，或许能够引导癌细胞重新回到正常的分化轨迹，恢复其正常功能。 为了实现这一目标，研究团队首先对正常肠道细胞的基因数据进行了深入分析，试图找出哪些基因在细胞分化过程中起到了关键作用。 他们开发了一个名为“BENEIN”的人工智能系统，利用该系统对大量基因数据进行模拟分析，最终识别出了三个关键的“调控开关”基因：MYB、HDAC2和FOXA2。MYB、HDAC2和FOXA2是肠细胞分化的主要调节因子，三者具有显著的协同作用，抑制这些调节因子可以诱导癌细胞向正常细胞分化，将结直肠癌细胞恢复为正常样肠细胞，实现癌细胞逆转。 基于计算机模拟分析，研究人员对结直肠癌细胞进行了体外实验，并测量了癌细胞增殖率。 在体外实验中，研究结果显示，在HT - 29、HCT - 116和CACO - 2人结直肠癌细胞系中同时敲低这三个调节因子，可使癌细胞的增殖率大幅降低，恢复到了类似于肠细胞的正常样分化状态。在裸鼠模型中，肿瘤的体积和重量也显著减小。 进一步探究发现，当主要调控因子被抑制后，与细胞增殖和癌症进展相关的MYC通路，以及肠细胞分化和癌变相关的WNT通路活性被显著抑制，从而减弱癌细胞的恶性特征，促进其向正常肠细胞转变。 研究人员还尝试了将MYB、HDAC2和FOXA2过表达，发现并不会诱导更多细胞癌变或癌细胞增殖。 Cho 教授表示：“癌细胞可以恢复成正常细胞，这是一个令人惊奇的现象。这项研究证明，这种逆转是可以系统地诱导的。” 研究人员认为，这种方法也适用于其他癌症。通过在不同的癌症基因网络上使用相同的计算机建模技术，他们希望找到类似的分子开关。Cho 教授解释了其潜在影响：“这项研究通过将癌细胞逆转为正常细胞，引入了可逆性癌症治疗的新概念。它还通过系统分析正常细胞分化轨迹，开发了识别癌症逆转靶点的基础技术。”这项新技术可以带来副作用更少、癌症复发率更低的新型癌症疗法。 当然，这项研究目前还处于实验室阶段，距离临床应用还有很长的路要走。研究人员还需要深入探讨该技术的长期效果、安全性以及在不同癌症类型中的适用性。 参考文献： J.-R. Gong, C.-K. Lee, H.-M. Kim, J. Kim, J. Jeon, S. Park, K.-H. Cho, Control of Cellular Differentiation Trajectories for Cancer Reversion. Adv. Sci. 2024, 2402132. 撰文 | 梅斯头条 编辑 | 阿拉斯加宝 ● 惊！研究表明：少一颗牙竟加速大脑衰老近一年？牙齿≤21颗，与多项死亡风险有关；每天刷牙两次能有效降低痴呆症风险 ● 咖啡“续命”实锤！研究表明：每天1.5-3杯，全因死亡风险降低30％，皮肤衰老风险降低 15%，延长寿命1.8年 ● 咖啡“续命”实锤！研究表明：每天1.5-3杯，全因死亡风险降低30％，皮肤衰老风险降低 15%，延长寿命1.8年 版权说明：梅斯医学（MedSci）是国内领先的医学科研与学术服务平台，致力于医疗质量的改进，为临床实践提供智慧、精准的决策支持，让医生与患者受益。欢迎个人转发至朋友圈，谢绝媒体或机构未经授权以任何形式转载至其他平台。 点击下方「阅读原文」 立刻下载梅斯医学APP！

文章解读+创新点拓展，为您带来科研新体验～ 导读 在生物学研究中，理解细胞间的通信机制对于揭示复杂生物过程至关重要。近日，《Nature Methods》上发表的一项突破性研究《Inferring pattern-driving intercellular flows from single-cell and spatial transcriptomics》引入了一种名为FlowSig的新方法，该方法通过单细胞RNA测序（scRNA-seq）和空间转录组学（ST）数据推断由通信驱动的细胞间信息流。这项技术不仅为科学家们提供了深入洞察细胞内部运作的新视角，也为临床医生带来了探索疾病发生发展机制的新工具。 研究背景 细胞通过生化信号相互交流以组织生物活动，这些时空流动的“因果”关系推动着每一个生物学进程。然而，传统的分析方法往往将细胞间通信视为独立事件，忽略了其与细胞内基因调控模块之间的关联。为了填补这一空白，研究人员开发了FlowSig，这是一种基于图形因果模型和条件独立性的新方法，它能够从scRNA-seq或ST数据中推断出由通信驱动的细胞间信息流。 研究设计与结果 FlowSig的核心在于建模细胞间信息流动，即从流入的细胞间信号到捕捉细胞内调节响应的基因表达模块（gene expression module，GEM），再到流出的细胞间信号。具体而言，FlowSig利用额外的扰动数据和下游转录因子靶点路径知识来学习准确的细胞间流动。当处理难以精确推断配体-受体相互作用的数据时，FlowSig结合“对照vs.扰动”实验提供的信息，使用差异表达分析和条件不变性测试推断最可能驱动细胞间流动的输入输出变量集合。此外，FlowSig还支持从空间转录组学数据直接推断每个空间位置接收到的流入信号量，从而无需额外的扰动数据即可推断细胞间流动。 在验证过程中，研究人员首先使用合成数据集进行测试，确保FlowSig能正确反映数学模型模拟出的细胞间流动特征。随后，他们应用FlowSig分析了新生成的皮质类器官实验数据，展示了该方法捕捉刺激诱导变化、展现因COVID-19严重程度增加而引起的细胞间流动转变以及重建小鼠胚胎发育中形态发生素驱动激活剂-抑制剂模式的能力。 图1：对FlowSig模型的描述 研究者开发了FlowSig模型，用于描绘细胞间信息流动的方向性。该模型包含从流入信号（受体基因表达量与下游转录因子基因集平均表达量的乘积Ri×TFi）到基因表达模块（即细胞成员归属至潜在GEM因子GEMi），再到流出信号（信号配体基因表达Li）的有向边（图1a）。在“对照vs.扰动”实验中，系统可能因外部刺激、疾病或时间变化而改变。FlowSig通过差异表达分析和条件不变性测试，识别出分布显著变化的流入和流出变量，以确定最有可能驱动细胞间流动的因素，从而减少数据生成的所有可能网络的数量，并构建更精确的完全部分有向无环图（completed partial directed acyclic graph，CPDAG）（图1b）。 对于难以准确推断配体-受体相互作用的情况，FlowSig能从空间转录组学数据中更精准地估算每个位置接收到的流入信号量，使得即使没有额外的扰动数据，也能推断细胞间的流动（图1c）。具体来说，FlowSig使用COMMOT推断接收的信号配体量（rec. Li），并结合空间解析的GEM（GEMi），最终关联到流出变量（Li）。 图2：FlowSig的合成验证 为了验证FlowSig的有效性，研究人员生成了基于数学模型的模拟实验数据集，用以模拟真实的细胞间流动情况。结果表明，FlowSig能够准确恢复预期的细胞间流动网络结构，证明其算法设计合理且可靠。 研究进一步探讨了SHH信号诱导的单向细胞间流动（图2a）及其对组织模式化的影响（图2b），以及SHH与BMP4之间的竞争关系（图2c）。通过量化FlowSig的真阳性率（TPR）和真阴性率（TNR），研究人员发现：在所有场景中（图2d-f），结合受体表达作为信号流入或引入扰动数据并不会改变平均TPR。使用结合受体进行流入测量显著提高了平均TNR，尤其是在复杂的多方向流动模型中，如SHH驱动的模式化以及SHH与BMP4的竞争关系（图2e,f）。 通过条件不变性测试整合扰动数据，可以减少TNR值的变化，包括四分位数范围和异常值，从而获得更精确的细胞间流动估计。这些结果显示，FlowSig有效地减少了基线GSP和UT-IGSP算法推断中的假阳性数量，提升了细胞间流动预测的准确性。 图3：使用皮层样器官模型验证FlowSig的实验验证 研究者使用皮层发育的类器官模型进一步验证了FlowSig的有效性。从人类胚胎干细胞中生成皮层类器官，并在培养第18天（D18）和第35天（D35）收集样本进行scRNA-seq分析。在该模型中，皮层身份的细胞命运于D18确定，而FGF和BMP信号响应则在D35建立。研究者将D35的数据视为对D18“对照”数据的“扰动”，模拟了这些信号通路的影响。 通过CellChat分析，识别出77个独特的配体-受体相互作用，这些相互作用在细胞间流动中扮演不同角色。FlowSig进一步筛选出26种流入的差异信号（图3a）和16种流出的差异信号（图3b），包括关键的FGF和BMP信号。研究者利用pyLIGER从2,793个高度可变基因中构建了20个GEM，并基于此构建了用于推断细胞间流动的62个变量（图3c）。 为了确定主要驱动因素，研究者根据信号流入变量的总边频次进行了排序，发现FGF、MK（中胚层因子）、PTN（多效生长因子）和NRG（神经调节素）是细胞间流动的关键驱动者。特别是FGF流入通过多个GEM驱动了BMP4、IGF-II、NGF、NRG1和NRG3等信号的流出（图3d）。此外，EOMES被确定为潜在的FGF流入调控候选者。相比之下，BMP流入通过较少的GEM被调节，且可能由PAX6或NR2F1介导（图3e）。 为了验证FlowSig分析结果，研究者在D15-D21期间分别添加FGF8b和BMP4激活相应的信号通路，并在D35时收集样品进行RT-qPCR分析。结果显示，激活FGF信号显著下调了EOMES的表达（图3f），而激活BMP信号则下调了PAX6并上调了NR2F1的表达（图3g），证实了FlowSig预测的准确性。 图4：FlowSig在胰岛扰动非空间scRNA-seq中的应用 为了验证FlowSig在恢复由外部扰动驱动的细胞间流动方面的能力，研究者分析了干扰素-γ（IFN-γ）刺激的人胰岛scRNA-seq数据。使用pyLIGER构建了10个GEM，这些模块与独立识别的5个细胞类型簇（alpha、beta1-3和delta）对齐（图4a）。基于这些细胞类型注释，CellChat推断出各细胞组之间显著的成对配体-受体相互作用。 IFN-γ刺激显著改变了多个信号通路的流入量：通过FGFR1增加了FGF信号通路的流入，通过IL-6R和IL-6ST增加了IL-6的流入，通过CD74和CD44增加了MIF的流入，通过NCL增加了MDK的流入，并通过SSTR2增加了SST的流入（图4b）。同时，IFN-γ刺激还影响了流出信号，增加了GCG、INHBA和NAMPT的流出量，减少了ANGPTL2、SPP1、TGFβ1、TNFSF12和UCN3的流出量（图4c）。FlowSig识别出FGF、IL-6、MDK和SST是主要驱动细胞间信息流动的因素，这些信号驱动了GCG、INHBA、NAMPT、SPP1、TGFβ1、TNFSF12和UCN3的流出（图4d）。 为了进一步探索IFN-γ刺激的影响，研究人员将全局细胞间流动网络分为两个子网络：上调子网络：对应于IFN-γ刺激上调的流出信号，连接到这些流出变量的GEM及相关的流入节点（图4e）。下调子网络：对应于IFN-γ下调的流出信号，以类似方式构建（图4f）。 这两个子网络共享相似的流入节点和GEM，但GEM-3仅存在于“上调”网络中，这表明它在IFN-γ刺激下具有专门的作用。GEM-3主要富集在α细胞内，表明刺激驱动了来自α细胞的GCG和NAMPT流出。其他流入信号和GEM则在两种条件下共享，显示了它们的双重调控功能。 图5：FlowSig在中度或重度COVID-19患者取样的人类BALF的scRNA-seq中的应用 为了验证FlowSig处理多个扰动的能力，研究者分析了健康对照组、中度和重度COVID-19患者支气管肺泡灌洗液（BALF）细胞的scRNA-seq数据。使用CellChat结合原始研究中的细胞类型注释，推断出显著的配体-受体相互作用，结果显示健康对照组、中度和重度COVID-19组分别有46个、55个和54个活跃信号通路。 通过pyLIGER构建了20个GEM，这些GEM捕捉了不同条件下的差异（图5a）以及细胞类型间的差异（图5b）。FlowSig识别出每种COVID-19状态相对于健康对照组特有的流入和流出信号变化（图5c）。 为了深入分析这些流出信号驱动的细胞间流动，研究者提取了每个不同流出信号集上游的流入信号及相应的GEM（图5d-f）。尽管随着COVID-19严重程度增加，不同流出信号数量增多，但推断的流入信号数量却从健康对照组的37个减少到中度患者的32个，再到重度患者的25个。类似地，调节性GEM的数量也从健康对照组的16个减少到中度患者的13个，再到重度患者的8个。这表明随着疾病进展，某些特定的细胞间通信路径逐渐丧失。 进一步分析显示，在所有三种条件下共有20个信号流入，而没有发现仅在中度或重度COVID-19中特有的流入信号。TNFRSF12A（由TNFSF12驱动）以及ITGAX和ITGB2 （由C3驱动）的流入信号仅在健康对照组中存在。CAP（来自RETN1）的流入信号则仅在中度和重度COVID-19之间共享（图5g）。 观察到的GEM趋势相似，共享程度最高的GEM是在健康和中度COVID-19群体中的7个GEM，以及在所有三个条件下的5个GEM。GEM-4和GEM-10仅在健康个体中驱动信号流出，而GEM-7（与嗜碱性粒细胞相关）仅在中度和重度COVID-19群体中共享（图5h）。 图6：FlowSig在E9.5小鼠相关性空间立体序列数据中的应用 研究者利用FlowSig对胚胎发育阶段E9.5的鼠胚进行了ST-seq数据分析，揭示了Shh（Sonic Hedgehog）和Wnt5a信号通路之间的复杂双向流动。通过非负空间分解法，研究者从712个空间可变基因中构建了20个高分辨率的空间GEM，这些GEM捕捉了细胞间通信的关键特征（图6a）。 FlowSig识别出多个Shh外流的上游驱动因子，这些因子通过特定的GEM调节Shh外流，并推断出接收的Shh内流（r-Shh）驱动多个信号配体的外流途径，涉及多个GEM（图6c）。为了进一步确定Shh外流的上游调控TF，研究者使用随机森林模型分析了前10个TF的重要性，最终识别出Foxa2、Foxp2、Myc、Zc3h7a和Foxa1为Shh外流的主要上游调控TF（图6d）。 为了识别r-Shh流入的下游靶标，研究者使用pyGAM拟合每个推断出的下游基因表达网络中前10个r-TF的表达与r-Shh流入之间的关系，并根据Spearman相关系数排序。结果显示，Barhl1、Nkx2-1、Meox1、Tcf21和Foxp2与r-Shh的相关性较低，而Foxe1、Nkx2-2、Pou3f1、Tlx2和Nkx2-4等已知靶点表现出显著相关性（图6e）。 研究者观察到Shh和Bmp4、Cxcl12、Igf2、Mdk以及Wnt5a之间可能存在双向流动。为了验证这一假设，研究者分析了各配体与其下游r-Shh流入的关系。结果显示，只有Wnt5a通过GEM-5的转录因子显著受r-Shh流入调节（图6f）。此外，研究者发现r-Wnt5a流入通过空间扩散下调Myc介导的Shh流出，形成一个激活抑制系统（图6g）。这种激活抑制系统的三个关键特征如下：1）信号传播：Shh和Wnt5a配体都能扩散；2）自我上调：Shh通过Foxa2上调自身，Wnt5a通过Foxa1、Nkx6-1 和Sox21上调自身；3）抑制机制：Wnt5a通过下调Myc来抑制Shh。 这些观察结果表明，Shh和Wnt5a之间的双向流动类似于Turing模式生成系统，该系统在发育过程中驱动细胞命运图案化。因此，在E9.5时，Shh和Wnt5a信号通路可能共同作用于胚胎发育中的细胞命运决定过程（图6h）。 综上所述，FlowSig是一款强大的细胞间通信和信息流分析工具，对于分析发育过程中以及强烈单因素（比如药物）或多因素（比如病理微环境）扰动带来的细胞间信息流变化有着非常积极的作用，有助于推动对生命科学和生物医学复杂系统过程的动态理解。 拓展延伸 FlowSig技术在其他科研领域的广泛应用前景： ● 肿瘤微环境与癌症治疗 在肿瘤学领域，单细胞RNA测序（scRNA-seq）和空间转录组学（ST）结合FlowSig方法的应用具有巨大的潜力。肿瘤不仅仅是单一类型的细胞集合，而是一个复杂的生态系统，包括癌细胞、免疫细胞、基质细胞等多种成分。通过scRNA-seq可以揭示肿瘤内部不同细胞亚群的异质性，以及它们之间的相互作用网络。例如，在乳腺癌研究中，科学家们利用scRNA-seq发现了多种肿瘤相关巨噬细胞（TAMs），这些细胞不仅促进了肿瘤生长，还影响了化疗药物的效果。借助FlowSig，研究人员能够更加细致地描绘出TAMs与其他细胞类型间的通信路径，从而找到新的治疗靶点或预测患者的预后。 此外，空间转录组学数据提供了额外的空间维度信息，这对于理解肿瘤组织内的结构特征至关重要。比如，某些类型的免疫检查点分子表达可能集中在特定区域，形成所谓的“免疫冷区”。通过整合ST和FlowSig分析，可以精准定位这些冷区，并探索其形成的分子机制，进而开发更有效的免疫疗法策略。这种多模态的数据融合为个性化医疗方案的选择提供了科学依据。 ● 再生医学与干细胞研究 再生医学旨在修复受损组织器官的功能，而干细胞则是实现这一目标的关键角色之一。scRNA-seq和ST技术可以帮助科学家深入了解干细胞分化过程中的基因调控变化，确保生成的组织具备正确的细胞组成。以心脏再生为例，心肌梗死后的心脏修复需要诱导内源性干细胞向心肌细胞方向分化。然而，实际操作中往往面临效率低下等问题。FlowSig可以通过构建详细的细胞间通信模型，指导优化培养条件，提高干细胞定向分化的成功率。 同时，对于移植后的干细胞存活率低的问题，scRNA-seq和ST有助于识别影响细胞存活的关键因素。例如，在骨髓移植过程中，宿主微环境中存在的炎症因子可能会抑制新植入干细胞的增殖。利用FlowSig解析这些不利信号通路，研究人员可以采取措施减少负面影响，改善移植效果。总之，scRNA-seq和ST结合FlowSig的方法为解决再生医学面临的挑战提供了强有力的支持。 ● 神经科学研究 神经系统由高度特化的神经元构成，每个神经元之间通过突触连接传递信息。scRNA-seq和ST技术使得我们能够在单细胞水平上研究神经元及其支持细胞（如星形胶质细胞、小胶质细胞等）之间的交流模式。这对于理解大脑发育、学习记忆等生理过程非常重要。例如，FlowSig已被用于分析皮质类器官中的细胞间流动，揭示了Wnt5a-Shh双向流动关系，其中Shh促进自身及Wnt5a的表达，而Wnt5a则抑制Shh的表达，形成了一个潜在的Turing模式。这种反馈机制有助于解释某些特定的空间结构形成，并可能成为未来研究的重点方向之一。 此外，scRNA-seq和ST还可以帮助探究神经系统疾病的发生机制。阿尔茨海默病是一种常见的神经退行性疾病，其病理特征之一是β-淀粉样蛋白斑块沉积。通过scRNA-seq分析患者脑组织样本，发现了一些参与清除这些有毒蛋白质的免疫细胞类型。结合FlowSig，可以进一步探讨这些细胞如何响应损伤信号，并寻找增强其功能的方法，最终达到延缓疾病进展的目的。 ● 免疫学与感染性疾病 免疫系统负责保护机体免受外来病原体入侵。scRNA-seq和ST技术为解析免疫反应提供了前所未有的机会。特别是在病毒感染的情况下，了解宿主细胞对病毒复制的反应至关重要。例如，在新冠病毒（SARS-CoV-2）感染期间，肺泡灌洗液（BALF）中存在大量的免疫细胞。通过scRNA-seq分析，研究人员能够区分不同的免疫细胞亚群，并追踪它们随时间的变化情况。FlowSig则可用于推断这些细胞间的相互作用，特别是那些对抗病毒至关重要的细胞通讯。 另一个重要应用是在疫苗研发方面。为了评估疫苗诱导的免疫应答，通常需要监测接种者体内抗体水平和T细胞活性。scRNA-seq不仅可以检测到抗原特异性B细胞和T细胞的存在，还能提供关于它们克隆性和表型特征的信息。结合FlowSig分析，可以从整体上把握免疫系统的动态变化，为优化疫苗配方提供参考。此外，这种方法也有助于发现新型免疫调节剂，提升现有疫苗的效果。 临床应用与展望 FlowSig作为一种强大的数据分析工具，在转化医学领域具有广泛的应用前景。例如，在肿瘤学方面，了解肿瘤微环境中不同细胞类型的互动可以帮助识别新的治疗靶点；而在再生医学领域，FlowSig可以协助优化干细胞分化策略，提高组织工程产品的质量。此外，随着单细胞技术和空间转录组学技术的发展，FlowSig将帮助临床医生更深入地理解病理状态下细胞群体的行为变化，进而指导个性化医疗方案的选择。 注：本文旨在介绍医学研究进展，不做治疗方案推荐。如有需要，请咨询专业临床医生。 参考文献： Almet AA, Tsai YC, Watanabe M, Nie Q. Inferring pattern-driving intercellular flows from single-cell and spatial transcriptomics. Nat Methods. 2024 Oct;21(10):1806-1817. 点击下方「阅读原文」，前往梅斯官网查询更多相关课程和实验技术服务支持~