解码单细胞扰动响应的异质性
背景介绍
在细胞生物学中，理解细胞对扰动的不同响应至关重要。扰动（perturbation）是指通过基因编辑、化学物质、环境变化或机械力等方式改变细胞状态，从而研究其功能。然而，现有的方法在量化单细胞水平的异质性响应时存在局限性，尤其是在部分基因扰动（partial gene perturbation）和剂量效应（dosage effect）的分析上表现不佳。为了解决这一问题，研究者开发了一种新的计算方法——扰动响应评分（Perturbation-Response Score, PS），旨在更准确地量化单细胞扰动响应的异质性，并揭示细胞内在和外在因素对扰动结果的影响。
论文来源
本论文由Bicna Song、Dingyu Liu等多名研究者共同完成，作者来自多个知名机构，包括Children’s National Hospital、Sloan Kettering Institute、Johns Hopkins University等。论文于2025年3月发表在Nature Cell Biology期刊上，标题为《Decoding Heterogeneous Single-Cell Perturbation Responses》。
研究流程与结果
1. PS框架的构建
PS框架的核心是通过三步法量化单细胞扰动响应：
- 步骤1：目标基因识别
通过比较扰动细胞与未扰动细胞的转录组数据，识别差异表达基因（Differentially Expressed Genes, DEGs）。这些基因作为扰动的“特征基因”，用于后续分析。
- 步骤2：平均扰动效应估计
使用scMAGeCK模型计算特征基因的平均扰动效应，生成β评分（β score），类似于对数倍数变化（log fold change）。
- 步骤3：约束优化估计PS
通过约束优化算法，计算每个细胞的扰动响应评分（PS），范围从0（无扰动效应）到1（最大扰动效应）。
2. 基准测试与验证
研究者在多个数据集上验证了PS的性能：
- 合成数据集：通过scDesign3模拟不同扰动效率（25%-100%）下的单细胞转录组数据，PS在部分扰动量化上显著优于现有方法Mixscape。
- CRISPRi扰动数据集：在K562细胞的CROP-seq数据中，PS能够准确估计CRISPRi（CRISPR干扰）的效率，而Mixscape表现较差。
- 基因组尺度扰动数据集：在Jurkat T细胞的扰动实验中，PS成功识别了已知的T细胞激活调控因子，并在ROC曲线分析中表现出更高的准确性。
3. 剂量效应分析
PS能够在不进行扰动剂量滴定（titration）的情况下，分析基因扰动的剂量效应。例如，在PD-L1调控基因的扰动实验中，PS揭示了正调控基因（如STAT1）和负调控基因（如CUL3）的剂量响应模式。此外，PS还识别了“缓冲基因”（buffered genes）和“敏感基因”（sensitive genes），前者需要高效扰动才能引发强转录响应，而后者在中等扰动下即可产生显著效应。
4. 应用案例
- HIV潜伏表达：在Jurkat细胞的扰动实验中，PS揭示了BRD4和CCNT1在HIV潜伏表达中的细胞状态依赖性功能。
- 胰腺分化：在人类胚胎干细胞（hESCs）的胰腺分化实验中，PS发现了CCDC6在调控肝脏和胰腺细胞命运决定中的新功能。
研究结论与意义
PS框架为单细胞扰动数据的分析提供了强大的工具，能够量化部分扰动、揭示剂量效应，并识别影响扰动响应的生物因素。该方法的创新性在于：
1. 量化部分扰动：能够准确分析不完全基因敲除或RNA干扰等部分扰动效应。
2. 剂量效应分析：无需实验滴定，即可从单细胞数据中推断剂量响应关系。
3. 细胞状态依赖性：揭示了扰动响应的细胞状态特异性，为功能基因组学研究提供了新视角。
研究亮点
- 高精度量化：PS在多个基准测试中表现出色，尤其在部分扰动和剂量效应分析上优于现有方法。
- 广泛适用性：适用于多种单细胞扰动数据，包括CRISPR筛选、药物处理等。
- 生物学发现：揭示了CCDC6在胰腺分化中的新功能，为发育生物学研究提供了重要线索。
其他有价值的信息
PS框架的开源代码已公开，研究者可通过GitHub获取并应用于自己的数据分析。此外，论文还提供了详细的实验方法和数据分析流程，为后续研究提供了参考。
这项研究不仅开发了一种强大的计算工具，还为理解细胞对扰动的异质性响应提供了新的视角，具有重要的科学和应用价值。