《International Journal of Molecular Sciences》：A Hierarchical Multimodal Knowledge Graph for Neural Cell-Type-Specific Regulation Integrating Single-Cell Transcriptomics and Literature Evidence
编辑推荐：
神经系统包含高度多样化的细胞类型，受细胞类型特异性分子调控程序控制。然而，调控证据分散在非结构化文献中，且使用不一致的细胞类型命名和粒度描述，阻碍了系统整合和跨研究比较。在此，研究人员构建了一个以神经细胞为中心的多模态知识图谱，将碎片化的调控证据转化为标准化的
神经系统包含高度多样化的细胞类型，受细胞类型特异性分子调控程序控制。然而，调控证据分散在非结构化文献中，且使用不一致的细胞类型命名和粒度描述，阻碍了系统整合和跨研究比较。在此，研究人员构建了一个以神经细胞为中心的多模态知识图谱，将碎片化的调控证据转化为标准化的、可计算的基础。研究人员建立了一个以细胞本体（Cell Ontology，79个节点）为基础的三级分层细胞类型分类法，整合了两个大规模人类脑单细胞转录组数据集（超过400万个细胞）以推导分子指纹，并使用大语言模型从PubMed摘要中保留了25,812条经整理的调控证据记录。生成的Neo4j图包含41,532条有向关系。对于知识图谱嵌入（knowledge graph embedding, KGE），研究人员导出了一个去重后的非论文训练子图，包含19,819个三元组，涉及10,660个实体，支持细胞类型特异性链接预测，优先考虑候选调控因子和标志物，并以小胶质细胞为例进行说明。该框架为神经细胞类型特异性调控中的跨研究比较、假设生成和知识引导推理提供了结构化基础。
**论文解读：神经细胞类型特异性调控的分层多模态知识图谱**
**研究背景与问题**
神经系统由高度多样化的细胞类型组成，受细胞类型特异性分子调控程序控制。同一调控因子在不同神经细胞类型中可能发挥不同甚至相反的作用，因此细胞类型特异性对于理解神经回路组织、功能维持和疾病机制至关重要。然而，有关细胞类型特异性调控的证据分散在非结构化文献中，且不同研究使用的细胞类型命名、粒度和层次定义不一致，导致系统整合和跨研究比较困难。单细胞转录组学提供了分子层面的细胞身份定义，但大量调控证据仍散落在生物医学文献中，其细胞类型术语常与高分辨率转录组分类不匹配。现有生物医学知识图谱大多以基因、疾病或药物为中心，缺乏以神经细胞类型为中心的分层结构，且未系统整合单细胞分子指纹与文献推导的调控证据。因此，构建一个分层、多模态、以神经细胞类型为中心的知识图谱，是统一分子指纹和调控证据的实用途径。
**研究内容与结论**
研究人员构建了一个三级分层神经细胞类型分类法，以细胞本体（Cell Ontology）为语义骨干，结合两个人类脑单细胞转录组图谱（成人和早期发育图谱，共416万个细胞），并利用大语言模型（LLM）从PubMed摘要中提取调控证据，最终整合到Neo4j图数据库中，形成包含41,532条有向关系的多模态知识图谱。通过知识图谱嵌入（KGE）进行链接预测，以小胶质细胞为例，该模型能够优先预测候选调控因子和标志物，为跨研究比较、假设生成和知识引导推理提供结构化基础。该研究发表在《International Journal of Molecular Sciences》。
**关键技术方法**
研究人员使用了以下主要技术方法：1）基于细胞本体（Cell Ontology）和专家引导的修剪策略构建三级分层神经细胞分类法；2）整合两个已发表的人类脑单细胞RNA-seq数据集（成人脑图谱237万细胞，早期发育图谱178万细胞，共416万细胞）进行差异表达分析，为每个细胞类型推导候选标志基因；3）利用大语言模型（LLM）对PubMed摘要进行筛选和结构化提取，经人工校正后得到25,812条调控证据记录；4）将分子指纹、文献证据和STRING蛋白-蛋白相互作用数据导入Neo4j图数据库，构建知识图谱；5）使用RotatE模型进行知识图谱嵌入（KGE），用于细胞类型特异性调控关系预测。
**研究结果**
**2.1 用于知识图谱构建的分层神经细胞类型分类法**
研究人员以细胞本体（Cell Ontology）为语义骨干，结合两个人类脑单细胞转录组图谱的细胞类型注释，构建了包含79个核心节点的三级分层分类法。第一级（L1）分为神经元、胶质细胞、祖细胞和神经系统的非神经细胞四大分支；第二级（L2）整合为30个具有明确生理意义的功能单元，如兴奋性神经元、抑制性神经元、星形胶质细胞等；第三级（L3）包含45个高分辨率亚型，如海马CA1、CA2、CA3锥体神经元等。该分类法为跨研究文献证据映射提供了标准化语义锚点，并允许从粗粒度到细粒度的可追溯路径。
**2.2 来自单细胞转录组学的细胞类型分子指纹**
研究人员整合了两个已发表的人类脑单细胞RNA-seq数据集（成人脑图谱237万细胞，早期发育图谱178万细胞），共416万细胞和约59,000个基因。通过差异表达分析，为每个细胞类型推导候选标志基因。与CellMarker数据库的交叉验证显示，在20个细胞类型和97个经典标志物中，56个出现在对应的Top 50候选列表中，总体命中率为57.7%。代表性例子包括血管平滑肌细胞中的MYH11、内皮细胞中的FLT1和少突胶质细胞前体细胞中的PDGFRA。对于转录组数据无法进一步解析的细粒度亚型，研究人员仅在转录组稳定支持的上层节点建立分子锚点，并通过层次关系传播到子节点。
**2.3 使用大语言模型从文献中提取神经调控证据**
研究人员使用大语言模型（LLM）从116,0742篇候选PubMed摘要中系统提取神经调控证据，经LLM筛选、信息提取和人工校正后，保留25,812条证据记录。这些记录涵盖转录因子、受体、信号通路、药物处理等扰动因子对基因表达、细胞激活状态、形态和存活的影响。证据在细胞类型间呈现长尾分布，小胶质细胞和神经干细胞记录最多，而高度特化的细胞类型如定型少突胶质细胞前体细胞、软脑膜细胞等记录很少。通过331个三元组的专家验证，总体提取准确率为96.4%，其中实体识别准确率99.4%，细胞类型映射准确率98.8%，关系逻辑准确率98.5%。错误分析显示关系逻辑错误最为常见（45.5%），包括方向反转、因果极性混淆和非调控事件误分类。
**2.4 将分子指纹和文献证据映射到层次骨干上**
将三级神经细胞类型层次、分子指纹和文献推导的调控证据整合到Neo4j中，形成统一的多模态神经细胞知识图谱。完整Neo4j图包含18,609个节点和41,532条有向关系，涵盖六大节点类型：L1、L2、L3细胞类型、基因、调控因子和PubMed论文。其中，调控因子节点9,782个，论文节点7,463个，基因节点1,285个，细胞类型节点79个。层次关系由45条BELONGS_TO边（L3→L2）和30条PART_OF边（L2→L1）捕获。对于知识图谱嵌入（KGE）训练，排除了论文节点和MENTIONS关系，导出去重后的非论文子图，包含19,819个三元组和10,660个实体。
**2.5 通过知识图谱嵌入进行细胞类型特异性调控关系预测**
研究人员使用RotatE模型进行知识图谱嵌入（KGE），以测试知识图谱能否生成生物学上有意义的假设。以小胶质细胞（L3:Microglia）为例，模型预测的前五大上游调控因子包括SAA蛋白处理、阿片受体激动剂、TAK242、YHV98-4和GSI-953，这些因子已知参与神经炎症、TLR4信号和神经退行性变。同时，模型预测的顶级标志物包括LST1、NCKAP1L和OLR1。双向预测显示，头部预测（细胞类型→上游调控因子）的MRR=0.299，Hits@10=0.320；尾部预测（调控因子→细胞类型）的MRR=0.446，Hits@10=0.611。对于训练图中不存在的候选调控因子FMR1、PTEN和FKBP5，通过计算机模拟敲除验证，这些因子在小胶质细胞中诱导了显著的差异表达，涉及线粒体/氧化还原代谢、细胞骨架重塑、染色质/表观遗传调控和免疫相关信号。
**2.6 与代表性资源的系统特征比较**
研究人员将本研究与五个代表性资源（CellMarker/PanglaoDB、PuMA、PubTator 3.0、MEDMKG和BioPathNet）在六个功能维度上进行比较：细胞类型焦点、文献证据可追溯性、调控关系建模、方向/效应注释、单细胞分子指纹整合和知识图谱推理。结果显示，只有本研究构建了基于细胞本体（Cell Ontology）的分层神经细胞类型分类法，明确编码了扰动物与细胞类型之间的REGULATES边（附有效应方向和扰动类型属性），存储文献推导的证据记录，并整合了定量单细胞分子指纹，同时支持知识图谱嵌入（KGE）进行未观察到的调控关系预测。
**讨论与结论**
讨论部分指出，本研究提出了一个以神经细胞类型为中心的多模态知识图谱框架，将分层细胞分类法、单细胞转录组分子指纹、文献提取的调控证据和基因-基因功能相互作用信息整合到统一图结构中。关键方法学贡献是使用分层细胞类型框架缓解文献证据与单细胞转录组数据之间的粒度不匹配问题。知识图谱嵌入（KGE）结果表明，细胞分子身份和文献推导的调控证据可以在共享嵌入空间中联合表示。小胶质细胞案例研究显示了预测的生物学合理性。局限性包括：调控关系主要从PubMed摘要提取，可能遗漏全文实验细节；未纳入扰动诱导的转录组数据集（如Perturb-seq或CRISPR筛选）；当前层次是经过筛选的核心分类法而非所有神经细胞状态的详尽表示；LLM提取引入了可量化的不确定性，包括幻觉、术语标准化偏差、摘要级证据缺口。通过专家验证，总体提取准确率为96.4%，但错误集中在语义复杂的调控语句中。此外，标志物回收率不均衡，部分细粒度细胞类型回收率低。摘要比较方案存在局限性，建议未来开发社区基准。
**研究结论**：本研究提供了一个可扩展的框架，用于整合和推理神经科学中的细胞类型特异性调控知识。通过统一分层细胞语义、分子指纹、文献证据和基因-基因功能相互作用，该框架能够实现候选调控因子优先排序、标志物基因检索和未观察到的调控关系预测。
