基于单细胞RNA序列数据推断的人类中性粒细胞状态转换的数学框架

《Frontiers in Immunology》：A mathematical framework for human neutrophil state transitions inferred from single-cell RNA sequence data

中性粒细胞动态模型研究：基于单细胞转录组测序数据构建五态分化数学模型，揭示从骨髓前体到成熟中性粒细胞的快速过渡（平均<1小时）和干扰素响应路径（约占25%），并利用贝叶斯推断量化个体间过渡速率的变异。

　　人类中数量最多的免疫细胞是中性粒细胞，它们在先天免疫系统中扮演着核心角色。中性粒细胞的功能包括吞噬病原体、释放细胞内容物以及形成中性粒细胞胞外陷阱（NETs），以对抗微生物和其他危险信号。然而，尽管中性粒细胞在免疫防御中至关重要，它们的生理机制和动态变化仍然缺乏深入理解。本研究通过结合单细胞基因表达数据与数学建模，揭示了中性粒细胞在循环系统中的状态转换机制，为理解其异质性和功能提供了新的视角。

中性粒细胞的异质性是近年来免疫学研究的热点之一。传统上，中性粒细胞被认为是功能相似的细胞群体，但随着单细胞RNA测序技术的发展，研究发现它们在基因表达上存在显著差异，这种差异可能反映了不同的发育阶段和功能状态。本研究利用单细胞测序数据识别出五种不同的中性粒细胞状态，并通过伪时间分析（pseudo-time analysis）推断这些状态之间的转换路径。伪时间分析是一种基于基因表达谱的计算方法，能够揭示细胞在发育过程中的动态变化，为构建数学模型提供了结构基础。

基于这些状态信息，研究团队建立了一个数学模型，用以描述中性粒细胞在不同状态之间的动态转换。该模型基于一组微分方程，其中每个变量代表处于某一状态的中性粒细胞浓度。模型假设中性粒细胞从骨髓中以恒定速率进入循环系统，并在不同状态之间进行转换，最终被清除。通过比较模型预测与实验数据，研究人员能够评估状态转换的速率，并推测这些转换可能与免疫应答的调节机制有关。

模型中的关键参数是状态之间的转换速率，它们的倒数表示细胞在某一状态中停留的平均时间。研究发现，从前体状态（Cluster 0）到不成熟状态（Cluster 1）的转换非常迅速，平均时间不到一小时，而后续的转换则相对缓慢，平均时间超过12小时。这一结果表明，中性粒细胞在进入循环系统后，会迅速经历一个不成熟阶段，随后根据不同的调控信号，部分细胞会进入干扰素响应状态（Cluster 2），而其余细胞则继续成熟，最终达到最成熟的循环状态（Cluster 4）。其中，大约四分之一的中性粒细胞会沿着干扰素响应路径发展，而剩余的细胞则遵循常规的成熟路径。

为了更全面地理解中性粒细胞状态之间的转换，研究团队采用了一种统计模型，结合贝叶斯推断方法，对不同个体之间的状态分布差异进行量化。这一模型基于狄利克雷分布（Dirichlet distribution），用于描述个体间稳态中性粒细胞状态的分布。通过从单细胞测序数据中提取的观察数据，研究人员能够估计狄利克雷分布的参数，并构建出状态转换速率的概率分布。这些概率分布不仅反映了个体之间的差异，也揭示了整个群体中状态转换的动态特性。

在研究过程中，研究人员还分析了不同状态的基因表达特征，以进一步验证模型的合理性。例如，Cluster 0中表达水平较高的基因包括核糖体蛋白基因（RPL、RPS），这表明该状态可能对应于从骨髓中刚刚进入循环系统的前体细胞。Cluster 1则表现出更高的S100家族基因表达，提示其为不成熟中性粒细胞。Cluster 2的基因表达特征显示，这些细胞可能处于干扰素响应状态，而Cluster 3和Cluster 4则分别表现出更高的CXCR2表达和长链非编码RNA（MALAT1、NEAT1）的表达，这与中性粒细胞逐渐成熟的趋势一致。这种状态划分不仅与之前的研究结果一致，还为理解中性粒细胞的发育过程提供了新的依据。

研究团队通过数学模型和统计推断方法，不仅揭示了中性粒细胞状态之间的转换路径，还估算了不同个体中状态转换的速率。这些速率估计表明，中性粒细胞在进入循环系统后，会迅速从前体状态过渡到不成熟状态，而后续的转换则更加缓慢。这一发现有助于解释为何中性粒细胞在循环系统中的半衰期较短，同时也能为理解其在不同生理和病理条件下的动态行为提供基础。

研究还指出，由于样本数量有限，当前的模型主要基于稳态假设，即中性粒细胞在不同状态中的比例保持不变。然而，未来的研究可以考虑引入更复杂的模型，例如考虑昼夜节律对中性粒细胞输入速率的影响。研究团队提出，中性粒细胞的输入速率可能随时间变化，呈现出周期性波动，这种波动可能与免疫系统的昼夜节律相关。因此，未来的工作可以进一步优化模型，以更准确地反映中性粒细胞在不同时间点的动态变化。

此外，研究还强调了模型在不同疾病状态下的潜在应用。例如，在细菌感染或自身免疫疾病中，干扰素响应状态的中性粒细胞可能表现出不同的行为特征。研究团队指出，干扰素在免疫应答和自身免疫疾病中均起着重要作用，因此，干扰素响应状态的中性粒细胞可能在疾病的发生和发展中扮演关键角色。通过扩展当前模型，研究人员可以进一步探索这些状态在不同疾病条件下的动态变化，从而为疾病的诊断和治疗提供新的思路。

本研究的另一个重要发现是，中性粒细胞的异质性不仅限于基因表达层面，还可能涉及功能和定位的不同。例如，某些中性粒细胞可能在特定组织中具有不同的功能特性，而这些特性可能与它们的基因表达状态相关。因此，未来的研究可以结合多组学数据，如蛋白质组学、表观遗传学和功能实验，以更全面地理解中性粒细胞的异质性和动态行为。

综上所述，本研究通过单细胞基因表达分析和数学建模，揭示了中性粒细胞在循环系统中的状态转换机制，为理解其在免疫系统中的作用提供了新的视角。研究不仅填补了免疫学建模领域的一个空白，还为探索中性粒细胞在不同疾病状态下的行为变化奠定了基础。随着更多数据的积累和建模方法的改进，未来的研究有望进一步揭示中性粒细胞的复杂性和动态特性，从而推动免疫学和相关领域的深入发展。