《Aging Cell》:Multi-Omics Reveals Dysregulated Neurotransmitter Systems in Aging and CNS Disorders
编辑推荐:
神经递质系统(Neurotransmitter system, NTS)由神经递质受体和转运蛋白组成,与多种疾病和障碍相关。识别疾病相关的NTS特征对于理解疾病机制和优先考虑潜在治疗靶点具有重要意义。目前,对衰老和不同疾病中NTS组成的差异尚不清楚。在此,研究
神经递质系统(Neurotransmitter system, NTS)由神经递质受体和转运蛋白组成,与多种疾病和障碍相关。识别疾病相关的NTS特征对于理解疾病机制和优先考虑潜在治疗靶点具有重要意义。目前,对衰老和不同疾病中NTS组成的差异尚不清楚。在此,研究人员展示了如何大规模整合多组学数据,包括单细胞和空间转录组学,以识别疾病相关的NTS。通过整合、注释和分析来自17个队列研究的368个公开可用的单核RNA测序(single-nucleus RNA sequencing, snRNA-seq)数据集,研究人员创建了人脑前额叶皮层(prefrontal cortex, PFC)的snRNA-seq数据集。最终的数据集包含超过100万个细胞,涵盖了出生后整个生命过程中的健康个体以及八种常见的神经精神疾病。研究人员全面描述了衰老和疾病中NTS的细胞异质性,并解析了年龄或性别与疾病相关NTS之间的关系。研究构建了一个由NTS及其调控基因组成的模块,该模块显示出与疾病相关的判别信号,并在蛋白质水平和外部数据集中得到了支持性验证。为了筛选能够模拟疾病脑组织的NTS网络,研究人员对五种疾病相关的脑类器官进行了比较分析,发现患者来源的类器官与亲本脑组织之间存在部分相似性。该工作提供了一个基于大规模snRNA-seq数据的多疾病细胞图谱,并分析了NTS的疾病和性别异质性,这为多种中枢神经系统(central nervous system, CNS)疾病的机制提供了新的见解,并揭示了针对NTS的疾病精准治疗前景。
论文解读:多组学揭示衰老与中枢神经系统疾病中神经递质系统的失调
研究背景与科学问题
神经递质(Neurotransmitter, NT)如多巴胺、5-羟色胺、GABA和谷氨酸,对神经元间的信号传递和正常脑功能至关重要。神经递质系统(Neurotransmitter system, NTS)由使用NT进行通讯的神经元及其连接网络构成,其失调是众多神经和精神疾病发生的关键因素。例如,在精神分裂症(Schizophrenia, SCZ)中,多巴胺、谷氨酸、GABA和5-羟色胺系统的失调是核心病理机制。同时,小胶质细胞和星形胶质细胞等神经胶质细胞也表达多种神经递质受体(neurotransmitter receptors, NTRs),参与维持大脑稳态和神经炎症调节。衰老伴随着多种脑细胞类型中神经递质受体和转运蛋白的进行性变化,为解释疾病相关的NTS改变提供了重要的生物学背景。然而,目前对于衰老过程以及不同中枢神经系统(Central Nervous System, CNS)疾病(如阿尔茨海默病、自闭症谱系障碍、精神分裂症等)中,NTS在不同细胞类型中的具体组成变化、时空分布规律、及其在疾病发生发展中的特异性作用仍缺乏系统、全面的理解。识别特定疾病相关的NTS特征,对于理解疾病机制、开发靶向治疗策略以及利用脑类器官等模型进行疾病模拟和药物筛选具有重要意义。
研究目的与意义
为此,本研究旨在通过大规模整合人前额叶皮层(Prefrontal Cortex, PFC)的单核RNA测序(single-nucleus RNA sequencing, snRNA-seq)数据,结合空间转录组学和蛋白质组学验证,系统评估13种常见神经递质系统的受体和转运蛋白基因在八种CNS疾病(AD, ASD, AUD, COVID-19, DS, MDD, MS, SCZ)和整个生命周期衰老过程中的表达变化。研究目标是创建一份多疾病细胞图谱,全面解析NTS的细胞类型特异性、时空分布、疾病与性别异质性,识别共享及特异的疾病相关NTS特征,评估脑类器官模拟疾病NTS网络的能力,并探索NTS作为疾病诊断生物标志物的潜力。该研究为理解多种神经精神疾病的共同与特异性机制提供了全新视角,为针对NTS的精准治疗策略开发奠定了重要基础。本研究成果发表于《Aging Cell》期刊。
关键技术方法概述
研究人员开展了一项大规模的多组学数据整合与分析研究。首先,从17个队列研究中收集并整合了368个人类前额叶皮层(PFC)的公开snRNA-seq数据集,涵盖了健康对照和八种CNS疾病(AD、ASD、AUD、COVID-19、DS、MDD、MS、SCZ)的脑组织样本,经过质控和去批次整合后,获得了包含超过100万个细胞核的数据集。细胞被注释为八种主要类型:兴奋性神经元(ExN)、抑制性神经元(InN)、星形胶质细胞(Astro)、小胶质细胞(Micro)、成熟少突胶质细胞(MOL)、少突胶质细胞前体细胞(OPC)、内皮细胞(Endo)和周细胞(Peri)。研究还纳入了人类背外侧前额叶皮层(DLPFC)的空间转录组数据集用于分析NTS的空间分布偏好。为了评估患者来源脑类器官模拟亲本脑组织的能力,研究人员收集了五种疾病(AD、ASD、BPD、SCZ、DS)的六个脑类器官snRNA-seq数据集进行比较分析。在数据分析方面,采用了模型基础的单细胞转录组分析(MAST)进行差异表达基因(DEGs)鉴定,利用基因集评分(geneset score)和聚类分析评估NTS变化,通过CellChat分析细胞通讯,并应用随机森林等多种机器学习算法评估NTS特征对疾病的判别性能。此外,还利用scTenifoldKnk算法进行虚拟基因敲除以识别NTS相关调控基因,并构建疾病相关模块。人类蛋白质图谱(HPA)的免疫组化染色和RNA-seq数据被用于跨数据集验证。
研究结果与发现
2.1 跨越衰老和八种常见CNS疾病的人PFC snRNA-seq数据集的大规模无偏整合
研究人员成功整合了大规模snRNA-seq数据,创建了涵盖健康和疾病状态的人脑PFC细胞图谱。整合后的数据集去除了批次效应,细胞被清晰注释为八种主要类型。该数据集可通过交互式网络平台(
http://brainpfcatlas.cn/)进行探索。如图1和图2所示,研究策略涵盖了snRNA-seq、空间转录组和类器官数据的整合分析。
2.2 脑衰老和八种常见CNS疾病中的细胞组成与分子差异
分析发现,在衰老过程中,细胞组成呈现趋势性变化,如神经元减少、胶质细胞增加。唐氏综合征(DS)无此变化。与健康对照相比,不同疾病的细胞组成存在差异,特别是兴奋性神经元与抑制性神经元(ExN/InN)的比例。在健康个体中,ExN/InN比例在20多岁时达到峰值。DS在早期(10多岁)该比例显著低于对照组,提示发育异常。在SCZ、MS、AD、AUD和MDD中,ExN/InN比例显著异常,呈现“早衰”迹象。在COVID-19中,该比例显著增加,提示病毒入侵对特定神经元的影响。差异表达基因(DEG)分析显示,在ExN、InN、MOL和Astro中,不同疾病相关的DEG存在显著重叠,而AD和DS基于DEGs聚类在一起。
2.3 出生后生命周期中不同细胞类型NTS的变化
研究人员分析了13种NTS(包括乙酰胆碱、大麻素、多巴胺、GABA、谷氨酸、甘氨酸、组胺、单胺转运蛋白、去甲肾上腺素、阿片类、孕激素、前列腺素和5-羟色胺)的173个受体和转运蛋白基因。研究发现,不同NTS的表达丰度具有细胞类型特异性,且在整个生命周期中呈现动态变化。例如,阿片类在神经元、MOL和OPC中最丰富,而谷氨酸在Micro和Endo中最丰富。孕激素在所有细胞类型中随年龄显著下降。前列腺素在Endo中高表达且随年龄增加。约50岁可能是NTS变化的关键过渡阶段。来自人类蛋白质图谱(HPA)的免疫组化染色和RNA-seq数据验证了snRNA-seq的发现,如HTR1E随年龄增加而PGRMC1随年龄减少的现象。如图3所示,NTS的表达模式随年龄和细胞类型呈现规律性变化。
2.4 疾病中不同细胞类型NTS的变化
基因集评分和聚类分析显示,AD和DS聚集在一起,COVID-19倾向于与AD和DS同属一类,而SCZ单独成一个分支,与其他疾病显著不同。在SCZ的神经元中,多巴胺NTS显著降低,而大多数其他NTS升高。在DS、COVID-19、MS和AD中,前列腺素NTS的增加与小胶质细胞激活相关。细胞通讯分析发现,与年龄和性别匹配的对照相比,所有疾病的整体细胞通讯数量显著减少。NTS相关基因在疾病相关DEGs中的分析表明,大多数基因在多种疾病间共享,仅少数具有疾病特异性。MS、AUD和COVID-19拥有更多特异的NTS相关DEGs。年龄特异性的NTRs表达丰度和变异构成了疾病发生的基础。如图4和图5所示,不同疾病和细胞类型中NTS的改变既有共性也有特性。
2.5 PFC内NTS的空间层级分布图
利用空间转录组数据,研究人员将PFC划分为六个皮质层(L1-L6)和白质(WM)区域。研究发现,不同NTS相关基因在皮层中表现出特定的空间分布偏好。例如,兴奋性(谷氨酸)和抑制性(GABA)神经递质相关基因在中层神经元(L3-L5)高表达,提示该层是信息整合的关键区域。多巴胺和5-羟色胺相关基因主要分布在深层皮层(L5-L6)和WM。孕激素在WM区域优势表达,提示其在髓鞘相关疾病(如AD、MS)中的潜在作用。如图6所示,NTS基因在皮层各层具有明确的空间分布模式。
2.6 脑类器官模拟疾病的潜在能力
通过比较疾病相关脑类器官与亲本脑组织的NTS,研究人员评估了类器官模拟疾病的能力。研究发现,在AD、ASD、双相情感障碍(BPD)抑郁相、SCZ和DS的类器官中,部分NTS在类器官和脑组织中表现出一致的变化趋势,例如AD类器官和脑组织中谷氨酸、组胺和阿片类增加,而大麻素、GABA和甘氨酸减少。然而,SCZ和DS的NTS变化更为复杂,且类器官培养时间(如DS的30天与70天)显著影响NTS表达,表明类器官仅在部分程度上模拟了亲本脑组织的NTS网络。如图7所示,不同疾病类器官的NTS变化与脑组织存在部分相似性。
2.7 不同疾病中NTS的性别差异
性别分层分析显示,NTS的性别差异(表现为变化方向和丰度的不同)在所有疾病和细胞类型中均有体现。例如,在女性SCZ患者的神经元中NTS predominantly elevated,而在男性中predominantly decreased。在变化方向上,MDD表现出最显著的性别差异,其次是ASD、SCZ、DS、MS、COVID-19和AD。在表达丰度上,除Endo和Peri外,大多数NTS显示出显著的性别表达差异。例如,在大多数疾病的ExN中,甘氨酸和GABA存在显著性别差异。如图8所示,NTS的改变在男性和女性患者中存在明显差异。
2.8 NTS作为疾病诊断的生物标志物
研究人员评估了NTS特征谱在预测框架中区分疾病状态的能力。通过比较多种机器学习算法,随机森林模型显示出最一致的结果。细胞类型特异性模型表明,ExN、InN和MOL中的NTS特征具有相对更强的判别性能。特征重要性分析进一步指出,GABA能、谷氨酸能和阿片类相关特征对模型贡献突出。通过虚拟敲除方法构建的疾病相关模块基因,在独立的外部数据集(如Mathys等人的脑数据集)和疾病类器官数据集中得到了支持性验证。模块基因的SynGO分析揭示,不同疾病模块基因参与了不同的突触功能障碍。例如,长链非编码RNA MEG3是区分AD、COVID和MDD神经元疾病状态的重要特征。这些结果为探索NTS作为疾病诊断和分型的潜在生物标志物提供了概念验证。如图9及相关附图所示,基于NTS的机器学习模型展现出一定的疾病判别潜力。
讨论与结论
本研究通过大规模整合多组学数据,全面评估了13种NTS在各种神经精神疾病中的作用,突出了NTS表达的细胞类型特异性差异。将AD、DS、ASD、SCZ、COVID-19等多种疾病类别纳入分析,使研究人员能够在不同的病理背景下解释NTS的改变,识别跨疾病共享的NTS变化以及可能 underlying 不同临床和生物学特征的疾病特异性偏差。
研究揭示了衰老过程中NTS的动态变化,特别是在50岁左右的关键过渡期,其波动可能与神经退行性疾病风险增加相关。年龄相关的NTS波动可能反映了神经递质信号转导和调节多样性的增加。识别这些变化有助于阐明衰老与神经精神疾病之间的联系,并提供早期干预的关键窗口。
空间转录组分析阐明了NTS基因在 cerebral cortex 各层的特异性分布,为理解脑功能和 neurotransmitter systems 的病理机制提供了新的空间视角。例如,孕激素在WM的富集提示其在髓鞘相关疾病中的重要作用。
研究揭示了NTS的显著性别异质性,性别对疾病相关的NTS变化有重要影响。这一发现有望促进针对神经精神疾病(特别是如重度抑郁症和自闭症谱系障碍等具有明确性别差异的疾病)的个性化治疗策略。
另一个重要贡献是建立了NTS的多细胞类型表达图谱,揭示NTS不仅在神经元中显著表达,在胶质细胞和脑血管细胞中也具有独特功能。这强调了神经递质系统在神经元调节之外的作用,显著影响小胶质细胞和星形胶质细胞等大脑支持细胞。脑血管细胞中的NTS表达模式进一步暗示了血脑屏障功能在疾病发展中的潜在作用。
最后,通过构建NTS及其调控基因的模块,本研究提供了可能有助于区分健康与病理状态的候选特征,并为特征优先排序、疾病建模和未来的机制研究提供了资源。研究发现,多种疾病中的NTS模块基因参与突触前和突触后功能,强调了突触功能障碍在这些疾病中的广泛作用。核心基因如ACTB和SLC17A7在多种疾病中共享。对疾病相关脑类器官的分析揭示了部分类器官与患者脑组织在NTS组成上的相似性,表明类器官可以模拟疾病特异性的NTS网络,这对药物开发和疾病建模具有宝贵价值。
总之,该研究为理解多种中枢神经系统疾病的机制提供了新的见解,揭示了针对神经递质系统的疾病精准治疗前景,并为未来探索神经系统疾病的复杂机制指明了新方向。未来的研究需要从机制转向干预,探索新的治疗靶点和方法,利用实时成像技术观察动态变化,并进行跨物种比较以加速精准治疗靶点的识别。