跳到正文
原文
Cell· Isabella N. Grabski, Junsuk Lee, John D. Blair, Carol Dalgarno, Isabella Mascio, Alexandra Bradu, David A. Knowles, Rahul Satija·· 19 小时前精选评分71

RNA fingerprinting 框架将单细胞转录响应映射至细胞扰动

Mapping transcriptional responses to cellular perturbations with RNA fingerprinting

导读

作者提出 RNA fingerprinting 统计框架,通过把单细胞实验的转录响应映射到参考扰动字典上来推断候选因果调控因子。

深度解读

从扰动后的转录变化反推细胞的调控逻辑,是领域内长期追求的目标。早在2006年,Connectivity Map 就证明,把小分子处理后的基因表达谱与参考库做模式匹配,可以在药物、基因与疾病之间建立功能性联系 [2]。进入单细胞时代后,研究者试图从单细胞转录组数据推断基因调控网络,却始终受制于噪声更高、数据更稀疏的问题 [1];因果层面的推断更是瓶颈,Scribe 的系统评估显示,基于"拟时序"排序的单细胞数据在因果网络重建上性能大幅下滑,可靠的因果推断需要测量之间存在真正的时间耦合 [3]。

与此同时,扰动实验本身在快速扩容。TAP-seq 把单细胞测序覆盖集中到目标基因,使一次实验常规分析数千个 CRISPR 扰动成为可能 [4];Perturb-FISH 则将扰动筛查与空间转录组相结合,能同时捕捉细胞内、细胞间乃至功能层面的转录回路 [8]。配套的计算资源也在积累:scPerturb 汇集了 44 个公开的单细胞扰动数据集,并提供了统一的效应度量与比较框架 [6];CPA 等模型可对未曾实验过的剂量、细胞类型乃至药物组合做响应预测 [5];基于一亿细胞训练的基础模型 CellFM 也将扰动预测纳入其能力范围 [7]。然而,如何把一个新实验的转录响应"对号入座"到已知扰动的知识上,从而直接读出背后的因果调控因子,一直缺少一条清晰的路径。

这条消息报道的 RNA fingerprinting 正是朝这个方向迈出的一步。它是一个统计框架,核心做法是把单细胞实验中的转录响应映射到参考"扰动词典"上,据此推断因果调控因子。从思路上看,这相当于把 Connectivity Map 式的表达签名比对 [2] 移植到单细胞扰动语境:不再单纯预测响应会是什么 [5],而是让新实验的响应模式与既有的扰动响应参照系相对照,直接指向最可能的调控者。

当然,这条路能走多远,很大程度上取决于"词典"本身。scPerturb 的工作已经提示,不同单细胞扰动数据集之间的互操作性是行业性的难题 [6];参考词典的覆盖范围、跨批次与跨平台的可比性,以及该框架能否处理更复杂的组合扰动情境,都还有待更多数据检验,而因果推断对时间耦合的基本要求 [3] 也提示,映射得到的调控关系最终仍需实验验证。

推荐理由

读者可把这个统计框架套到自己的单细胞扰动数据上,从转录响应反推候选因果调控因子。

来源:Cell · cell.com

CBACBA Frontier Insights (CFI)美国华人生物医药科技协会(CBA)www.cba-usa.org