《Nature Medicine》：AI-based characterization of Alzheimer’s disease phenotypes from population-scale single-cell data
编辑推荐：
阿尔茨海默病（Alzheimer’s disease, AD）的复杂性表现为多样的临床表型，包括认知障碍和神经精神症状。然而，这些表型的病因仍不清楚。为解决这一问题，PsychAD项目生成了一份群体规模的单核RNA测序（single-nucleus RNA s
阿尔茨海默病（Alzheimer’s disease, AD）的复杂性表现为多样的临床表型，包括认知障碍和神经精神症状。然而，这些表型的病因仍不清楚。为解决这一问题，PsychAD项目生成了一份群体规模的单核RNA测序（single-nucleus RNA sequencing, snRNA-seq）数据集，包含来自超过1000个人脑前额叶皮层（prefrontal cortex）的超过600万个细胞核，覆盖多种疾病表型。在此，利用该数据集，研究人员开发了一个名为Phenotype Associated Single Cell encoder（PASCode）的计算框架，用于对单细胞表型关联进行评分，并从584例具有AD相关表型的供体中鉴定出约150万个表型关联细胞（phenotype-associated cells, PACs）。PASCode将多种统计方法集成到一个图神经网络（graph neural network）模型中，以实现稳健的评分。通过比较27个脑细胞亚类（cell subclasses）中的PACs，研究人员优先确定了与各种AD表型相关的细胞亚群及其表达基因。例如，研究人员鉴定了与AD病理相关的小胶质细胞（microglia）亚群；具有神经保护和神经毒性基因表达改变的反应性星形胶质细胞（reactive astrocytes）亚型，这些改变可能赋予认知弹性（cognitive resilience）；以及在认知受损的AD供体中增强的兴奋性/抑制性（excitatory/inhibitory）失衡和线粒体功能障碍。研究人员还鉴定出许多与多种表型相关的PACs，包括AD与抑郁之间的星形胶质细胞，显示出特定的基因表达模式，如炎症和内质网应激（endoplasmic reticulum stress）通路。这些优先确定的亚群、基因和通路可能为精准诊断和治疗开发提供有价值的见解。研究人员还在外部群体规模数据集（包括AD和重度抑郁症（major depressive disorder, MDD））中验证了研究结果，编制了AD表型单细胞图谱，并将该框架作为开源工具交付，附带预训练模型和网络应用程序供社区使用。
阿尔茨海默病（Alzheimer’s disease, AD）是一种复杂的进行性神经退行性疾病，其临床和病理表现高度异质，包括认知衰退、神经精神症状（neuropsychiatric symptoms, NPSs）以及不同程度的神经病理损伤。部分携带AD病理改变的个体认知功能正常，即“认知弹性”（cognitive resilience）。然而，这些表型背后的细胞和分子机制尚不明确。PsychAD项目产生了来自1,494名供体背外侧前额叶皮层（dorsolateral prefrontal cortex, DLPFC）超过630万个细胞核的群体规模单核RNA测序（single-nucleus RNA sequencing, snRNA-seq）数据，涵盖Braak分期、临床痴呆评定量表（Clinical Dementia Rating, CDR）、认知弹性及多种NPSs等AD相关表型。为系统解析这些表型的细胞病因，研究人员开发了计算框架PASCode（Phenotype Associated Single Cell encoder），其集成多种差异丰度（differential abundance, DA）方法并通过图注意力网络（graph attention network, GAT）对单细胞进行表型关联评分，从而鉴定表型关联细胞（phenotype-associated cells, PACs）。研究人员将此框架应用于PsychAD数据集的584名具有AD相关表型信息的供体，识别出约150万个PACs，并围绕AD相关细胞亚群、AD进展与认知弹性、AD相关抑郁以及AD/NPS表型单细胞图谱四个主题展开分析。
主要关键技术方法包括：（1）利用PsychAD队列的snRNA-seq数据（6.3百万细胞，1,494例DLPFC样本，其中584例用于表型分析），经Harmony批次校正后选取3,401个蛋白质编码基因作为特征；（2）集成多种DA方法获取聚合表型标签，训练GAT模型输出PAC分数；（3）使用随机森林（random forest, RF）和SHapley Additive exPlanations（SHAP）进行细胞亚类优先级排序；（4）运用AUCell、基因集变异分析（GSVA）和Wilcoxon秩和检验评估PAC水平差异表达基因（differentially expressed genes, DEGs）的显著性；并利用SEA-AD、ROSMAP和MDD等外部独立队列进行验证。此外，还采用MAST模型进行协变量校正的差异表达分析，并通过WGCNA构建基因共调控网络模块。
**Phenotype scoring of single cells**：研究人员将PASCode应用于PsychAD数据，对AD、认知弹性、AD进展（Braak分期）及NPSs（如抑郁）等六种表型对比进行单细胞表型关联评分。通过GAT模型生成的PAC score可将细胞亚类进一步划分为PAC+、PAC?和非PAC亚群，且预训练模型能在外部数据集上有效预测未见过细胞的PAC分数。
**Prioritizing cell subpopulations and genes in AD**：利用AD-PAC scores和SHAP优先级排序，研究人员发现小胶质细胞和星形胶质细胞为最重要的AD相关细胞亚类，其次为兴奋性神经元（如EN_L2_3_IT）和抑制性神经元（如IN_SST）。与供体水平分析相比，PAC水平能更显著地富集已知AD相关小胶质细胞通路（如tau蛋白结合、Aβ结合），并鉴定出更多统计显著的DEGs。在AD-PAC+小胶质细胞亚群中，两个亚簇与脂质相关APOE+小胶质细胞高度对应；该结果在SEA-AD、ROSMAP及独立bulk RNA-seq数据中得到验证。
**Gene expression dynamics in AD progression and cognitive resilience**：研究人员以Braak 0期与Braak 6期供体训练AD进展模型，定义“AD进展阶段时间”（AD progression stage time），发现其与Braak分期显著相关（Jonckheere–Terpstra检验P≤10
?4），并能捕捉SEA-AD连续假进展评分（CPS）的相关趋势。沿AD进展的DEGs涉及Aβ调控、tau病理、神经炎症及突触功能等过程。认知弹性对比中，AD-strict与AD-cognitive-resilient供体仅在晚期Braak组表现出显著进展时间差异；兴奋性神经元（尤其IT型）和抑制性神经元（IN_VIP、IN_SST等）是区分两类供体的关键细胞亚类。差异表达分析提示线粒体功能障碍（如MTERF1上调）、兴奋/抑制失衡（如PIP5K1A上调、钾通道下调）等机制，并发现反应性星形胶质细胞亚型（如Astro_PLSCR1、Astro_ADAMTSL3）呈现不同的神经保护与神经毒性标记（如FKBP5、EMP1）表达模式。
**Depression-associated cells in AD**：通过比较AD伴抑郁与不伴抑郁供体，研究人员鉴定出抑郁相关PACs广泛分布于所有细胞亚类，其中星形胶质细胞、少突胶质细胞和少突胶质前体细胞（OPCs）优先级最高，这与MDD的研究发现一致。性别分层分析显示男性和女性中星形胶质细胞和少突胶质细胞均为主要相关类型，但OPCs和小胶质细胞存在性别差异。抑郁相关星形胶质细胞中炎症标志物IL18显著上调。AD与抑郁共有的PACs（AD-Depression-PACs）显著富集于Astro_WIF1和Oligo_OPALIN亚群，其差异表达基因富集于内质网应激通路，提示蛋白错误折叠可能参与AD与抑郁的共病机制。
**Astrocyte gene networks in AD-associated depression**：研究人员针对抑郁相关的星形胶质细胞构建基因共调控网络，识别出多个功能模块（如M2富集神经炎症和谷氨酸能信号、M9富集胆固醇生物合成）。疾病本体富集分析显示抑郁相关模块存在于Depression-PAC+细胞中，而AD相关模块缺失，表明抑郁相关细胞通路与AD通路具有良好区分性。网络重连分析发现ANXA1、GRHL3、LMO2等转录因子在Depression-PAC+与Depression-PAC?之间存在差异靶基因使用，提示这些因子可能参与抑郁相关星形胶质细胞功能改变。
**Phenotypic single-cell atlas for AD and NPS**：研究人员将PASCode扩展至其他PsychAD NPS表型（如体重增加/睡眠/自杀，体重减轻/精神运动性激越等），构建了包含约150万个PACs及其DEGs的AD表型单细胞图谱，并提供网络应用程序和预训练模型供社区使用。
讨论部分总结了本研究的核心贡献：PASCode框架能够稳健量化单细胞的表型关联，并适用于跨队列、跨阶段和跨表型分析。研究验证了已知AD相关细胞类型（如小胶质细胞、星形胶质细胞），并新发现了血管软脑膜细胞（VLMCs）在AD中的潜在作用；揭示了供体水平分析无法捕捉的小胶质细胞AD相关通路激活，以及在认知弹性中发挥作用的线粒体功能、兴奋/抑制平衡和反应性星形胶质细胞亚型；确定并验证了AD相关抑郁与MDD共有的胶质细胞亚群和分子通路（如IL18、内质网应激）。研究结论指出，PACs所优先的亚群、基因和通路为AD的精准诊断和治疗开发提供了重要见解，并强调了PASCode作为可扩展工具在更广泛疾病和临床表型研究中的应用潜力。局限性包括当前仅支持单表型关联、未考虑疾病进展的非线性，以及预训练模型基于人DLPFC数据，未来可扩展至多模态和多脑区数据。
