这篇文档属于类型a，即报告了一项单一原创研究的学术论文。以下是针对该研究的详细报告：
该研究由Samuel Morabito、Emily Miyoshi、Neethu Michael、Saba Shahin、Alessandra Cadete Martini、Elizabeth Head、Justine Silva、Kelsey Leavey、Mari Perez-Rosendahl和Vivek Swarup共同完成。研究团队来自加州大学欧文分校（University of California, Irvine）的多个部门，包括数学、计算与系统生物学项目（Mathematical, Computational and Systems Biology Program）、神经生物学与行为学系（Department of Neurobiology and Behavior）、记忆障碍与神经疾病研究所（Institute for Memory Impairments and Neurological Disorders, MIND）以及病理学与实验室医学系（Department of Pathology and Laboratory Medicine）。该研究于2021年8月发表在《Nature Genetics》期刊上。
该研究的主要科学领域是神经生物学和基因组学，特别是阿尔茨海默病（Alzheimer’s Disease, AD）的分子机制研究。阿尔茨海默病是一种复杂的神经退行性疾病，伴随着大量神经元丢失和胶质细胞增生。尽管已有许多单细胞和单核RNA测序（snRNA-seq）研究揭示了AD中细胞类型特异性的转录变化，但这些变化背后的调控机制仍不明确。此外，全基因组关联研究（GWAS）表明，AD的遗传风险很大程度上与远端调控元件相关，这些元件通常是疾病相关组织中的细胞类型特异性区域。因此，该研究旨在通过多组学单核分析，结合染色质可及性（chromatin accessibility）和基因表达数据，揭示AD晚期的基因调控网络，并探索细胞类型特异性的调控元件及其靶基因。
研究流程主要包括以下几个步骤：
样本获取与处理
研究使用了来自AD晚期患者和认知健康对照者的死后人类前额叶皮层（prefrontal cortex, PFC）组织样本。AD组和对照组分别包括12例和8例样本，年龄范围为74-90岁以上。样本经过Braak和斑块分期（plaque staging）进行定义。所有样本均经过单核ATAC-seq（snATAC-seq）和单核RNA-seq（snRNA-seq）处理，以生成染色质可及性和基因表达数据。
数据生成与质量控制
研究使用10x Genomics平台进行snATAC-seq和snRNA-seq实验。经过质量控制过滤后，保留了130,418个核的snATAC-seq数据和61,472个核的snRNA-seq数据。为了消除批次效应，研究使用了互近邻法（Mutual Nearest Neighbors, MNN）对snATAC-seq数据进行校正，并使用整合非负矩阵分解（Integrative Non-negative Matrix Factorization, INMF）对snRNA-seq数据进行降维和批次校正。
细胞类型注释与聚类
研究使用UMAP降维和Leiden聚类方法对校正后的表观组和转录组数据进行聚类分析，分别识别出35个snATAC-seq细胞簇和34个snRNA-seq细胞簇。通过已知标记基因的染色质可及性和基因表达信号，研究注释了主要的细胞类型，包括兴奋性神经元、抑制性神经元、星形胶质细胞、小胶质细胞、少突胶质细胞和少突胶质前体细胞。
差异染色质可及性与基因表达分析
研究在每个细胞簇中识别了AD晚期与对照组之间的差异染色质可及性区域（Differentially Accessible Regions, DARs）和差异表达基因（Differentially Expressed Genes, DEGs）。通过GO富集分析，研究发现了与AD相关的细胞亚群特异性转录组变化。
顺式调控元件与靶基因的鉴定
研究通过构建顺式共可及性网络（cis Co-accessibility Networks, CCANs），鉴定了细胞类型特异性的候选顺式调控元件（Candidate Cis-Regulatory Elements, cCREs）及其靶基因。研究还使用非负矩阵分解（Non-negative Matrix Factorization, NMF）对这些cCREs进行聚类，进一步分析了它们在AD中的调控作用。
转录因子调控网络构建
研究通过分析转录因子（Transcription Factors, TFs）的结合基序和靶基因，构建了细胞类型特异性的TF调控网络。研究特别关注了小胶质细胞中的Spi1和少突胶质细胞中的NRF1，发现它们在AD中的调控作用。
伪时间轨迹分析
研究使用Monocle3对少突胶质细胞、小胶质细胞和星形胶质细胞进行了伪时间轨迹分析，揭示了这些细胞在AD中的动态基因表达和染色质可及性变化。研究发现，少突胶质细胞的成熟轨迹与AD相关，并鉴定了SREBF1在少突胶质细胞中的调控作用。
单细胞共表达网络分析
研究开发了一种新的共表达网络分析方法，称为单核共识加权基因共表达网络分析（Single-nucleus Consensus Weighted Gene Co-expression Network Analysis, scWGCNA），用于识别AD相关的共表达网络。研究在少突胶质细胞中发现了多个与AD相关的共表达模块，并验证了SREBF1在这些模块中的调控作用。
细胞类型特异性调控元件与靶基因
研究鉴定了56,552个基因连锁的cCREs（gl-ccres）和11,440个cCRE连锁的基因，发现这些cCREs主要位于内含子区域（58.35%）。研究还发现，多个细胞类型共享的cCREs在AD中具有特异性的调控模式。
转录因子调控网络
研究发现，小胶质细胞中的Spi1和少突胶质细胞中的NRF1在AD中具有显著的调控作用。Spi1在AD中表现出转录抑制功能，而NRF1的失调可能与线粒体功能受损有关。
伪时间轨迹分析
伪时间轨迹分析揭示了少突胶质细胞在AD中的成熟轨迹，发现SREBF1在少突胶质细胞中作为转录激活因子发挥作用。研究还发现，小胶质细胞和星形胶质细胞在AD中表现出疾病相关状态的变化。
共表达网络分析
scWGCNA分析在少突胶质细胞中发现了多个与AD相关的共表达模块，并验证了SREBF1在这些模块中的调控作用。研究发现，SREBF1的靶基因在AD晚期的RNA和蛋白质水平上均显著下调。
该研究通过多组学单核分析，揭示了AD晚期的基因调控网络，特别是胶质细胞在AD病理生理学中的作用。研究鉴定了多个细胞类型特异性的调控元件和转录因子，并开发了新的分析方法（如scWGCNA）来识别AD相关的共表达网络。这些发现为理解AD的分子机制提供了新的视角，并为未来的治疗靶点研究提供了重要线索。