这份研究通讯文章《NicheNet: modeling intercellular communication by linking ligands to target genes》由Robin Browaeys（1,2）、Wouter Saelens（1,2,3）和Yvan Saeys（1,2,3）共同完成，作者单位包括比利时根特大学VIB炎症研究中心（1）、根特大学应用数学与计算机科学系（2）。文章于2020年2月发表于《Nature Methods》期刊（Volume 17, pp. 159–162）。

学术背景

研究聚焦于细胞间通讯的建模（intercellular communication），属于单细胞组学与计算生物学交叉领域。传统计算方法（如CellPhoneDB）仅能预测配体（ligand）与受体（receptor）的相互作用，但无法揭示配体对靶基因表达的调控功能。因此，作者提出NicheNet方法，通过整合信号通路先验知识与单细胞表达数据，构建配体-靶基因调控网络模型，旨在解析微环境中细胞间通讯的功能性影响。

研究流程

1. 先验模型构建

   • 数据整合：收集57项公共数据库资源，涵盖配体-受体互作（如KEGG、RAMILOWSKI）、信号传导（如Pathway Commons）和基因调控网络（如RegNetwork、ENCODE）。
     
   • 网络优化：通过贝叶斯优化（MLR-MBO算法）确定各数据源的权重，构建加权整合网络。使用个性化PageRank算法（PPR）计算配体到靶基因的”调控潜能分数”（regulatory potential score），量化配体通过信号通路下游调控靶基因的可能性。
     

2. 模型验证与优化

   • 验证数据集：收集111组配体处理实验的转录组数据（涉及51种配体），分为靶基因预测和配体活性预测两项任务。
     
   • 性能评估：
     
     • 靶基因预测：比较优化模型与随机网络的AUROC（优化模型：0.75 vs. 随机：0.5）。
       
     • 配体活性预测：NicheNet的AUROC（0.85）显著优于IPA上游调控分析（Ingenuity Pathway Analysis）和CCCExplorer（图1c）。
       

3. 案例应用

   • 头颈鳞癌微环境（HNSCC）：
     
     • 数据来源：单细胞RNA测序数据（Puram et al., 2017）中癌症相关成纤维细胞（CAFs）与恶性细胞的互作。
       
     • 关键发现：NicheNet预测TGFB3等20种CAF配体显著调控部分上皮-间质转化（p-EMT）程序，其中25%的p-EMT基因位于Top 5%预测靶基因中（Fisher检验P=2.5×10^-10）。信号路径分析显示SMAD3是TGFB3调控靶基因（如TGFBI、LAMC2）的关键转录因子（图2）。
       
   • 病毒感染免疫响应：
     
     • 在LCMV感染的小鼠淋巴结数据中，NicheNet成功识别IL27、IFNγ等已知抗病毒响应配体。
       

主要结果

1. 模型性能：优化后的NicheNet在靶基因预测（AUROC提升40%）和配体活性预测（文献偏倚降低60%，图1e-f）均显著优于基线方法。
   
2. 生物学发现：
   
   • CAF分泌的TGFB3通过SMAD3通路驱动p-EMT程序，验证了Puram团队的假说。
     
   • 单细胞层面分析揭示配体活性的肿瘤间异质性（Supplementary Table 8）。
     

研究价值

• 方法论创新：首个将多组学数据整合为配体-靶基因调控网络的工具，突破传统配体-受体分析的局限性。
  
• 应用前景：适用于肿瘤微环境、免疫调控等领域的功能性互作研究。开源R包（NicheNetR）提供可视化界面与自定义数据分析流程。
  

亮点

1. 多层级网络整合：首次将配体-受体互作、胞内信号传导和基因调控网络三层次数据统一建模。
   
2. 抗偏倚设计：通过数据源加权优化减少文献高频配体的预测偏倚（图1f）。
   
3. 单细胞分辨率：支持单细胞数据中配体活性的异质性分析（Supplementary Note 9）。
   

其他价值

• 提供信号路径可视化功能（如TGFB3→SMAD3→TGFBI路径的数据库证据链，Supplementary Figure 15），辅助实验验证。
  
• 模型框架允许用户嵌入细胞类型特异性网络，为后续研究预留扩展接口（Supplementary Note 12）。