细胞类型异质性对基因共表达网络的影响及其在毒理学研究中的意义

本研究针对毒理学研究中细胞类型异质性对基因共表达网络分析的干扰问题，系统综述了单细胞RNA测序(scRNA-seq)和批量组织转录组数据的分析方法。研究人员比较了直接单细胞共表达分析和间接批量组织反卷积两种策略，揭示了细胞组成变化对共表达模式的影响，并提出了针对毒性机制研究的应用建议。该研究为准确解析毒性反应中的细胞特异性基因调控网络提供了方法学指导。

　　

在生物医学研究中，理解基因间的相互作用和功能关系是揭示疾病发病机制和药物不良反应的关键。然而，当研究人员使用批量组织RNA测序数据构建基因共表达网络时，一个长期被忽视的问题浮出水面：组织样本中不同细胞类型的混合会如何影响我们的分析结果？这个问题在毒理学研究中尤为重要，因为毒性反应往往起始于特定细胞类型，但传统分析方法难以区分这些细胞特异性事件与整体组织反应。

这项发表在《Briefings in Bioinformatics》的研究由Imke B. Bruns、Yingxue Li等学者合作完成，系统探讨了细胞类型异质性对基因共表达网络分析的深远影响。研究指出，批量组织样本中不同细胞类型的比例变化可能导致虚假的共表达信号，而真正的细胞内共调控关系可能被掩盖。例如，炎症细胞浸润会增加多种免疫相关基因的表观共表达，但这些基因在不同免疫细胞亚群中可能并不存在真正的共调控关系。

为开展这项研究，作者主要采用了五种技术方法：(1)单细胞RNA测序(scRNA-seq)技术分离细胞群体；(2)激光捕获显微切割(LCM)获取特定组织区域；(3)加权基因共表达网络分析(WGCNA)构建共表达模块；(4)SCENIC算法推断转录因子调控网络；(5)CIBERSORT等反卷积算法估计批量样本中的细胞类型比例。研究数据来源于已发表的毒理学研究和人类细胞图谱等公共数据库。

【Impact of cell type heterogeneity on co-expression patterns】

研究表明，批量组织中33%的共表达基因能在单细胞网络中重现，但单细胞数据额外识别出许多低表达mRNA的细胞特异性共表达关系。通过模拟数据集证明，细胞比例变化会导致细胞标记基因间的虚假相关，而真正的处理响应基因(Gene3-5)的共表达信号则被削弱。肾脏毒性研究显示，近端小管上皮细胞的毒理反应在全肾样本中被稀释。

【Methodologies to identify cell type-specific co-expression networks】

研究系统比较了五种方法：1)多细胞类型整合分析可识别细胞间相互作用网络；2)动态细胞表型分析揭示状态特异性模块；3)单细胞类型独立分析最精确但样本需求大；4)批量数据模块与细胞比例关联分析；5)细胞比例校正后的批量数据分析。其中，mWGCNA方法通过给基因添加细胞类型标签，成功识别了系统性红斑狼疮中跨细胞类型的信号响应模块。

【Direct approach: gene co-expression analysis on single-cell data】

单细胞共表达分析能识别lncRNA的功能关联，但面临技术挑战：仅6个模块能从33,000个细胞中识别，而800个批量样本可产生400个模块。研究建议使用"保存分析"评估网络特异性，hdWGCNA等工具可通过构建"元细胞"缓解数据稀疏性问题。

【Indirect approach: deconvolution to address bulk tissue heterogeneity】

批量组织反卷积的三步策略包括：1)通过scRNA-seq确定标记基因；2)使用CIBERSORT或模块特征基因评分估计细胞比例；3)将比例用于校正或模块关联。在阿尔茨海默症研究中，该方法成功将特定模块与血细胞亚群关联。

研究结论强调，细胞组成变化是批量组织共表达分析的主要混淆因素。在毒理学应用中，单细胞方法能精确定位毒性靶细胞，但成本较高；批量反卷积策略更实用但依赖准确的标记基因。作者建议根据研究目标选择方法：复杂多细胞系统适合整合分析，而精细机制研究需要单细胞分辨率。该综述为毒理基因组学研究提供了关键方法学参考，将促进更精准的毒性机制解析和安全评估。