构建可比较的跨物种网络
为多个灵长类物种和生物学重复生成可比较的基因调控网络。
对每个生物学重复分别进行网络推断，使用GRNBoost2或Spearman相关，然后通过加权平均整合为共识网络。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
CroCoNet：跨物种基因调控网络定量比较框架
CroCoNet: a framework for the quantitative comparison of gene regulatory networks across species
实验完整度
高包含多项独立证据层级：单细胞转录组网络分析、ATAC-seq、ChIP-seq、CRISPRi功能验证，以及模块构建和验证。
主要模型
人、大猩猩和食蟹猴iPSC来源的神经分化模型 五灵长类脑组织数据集
重点核对
iPSC系数量和来源：3个人类个体、1个大猩猩个体、2个食蟹猴个体 分化时间点：9天分化过程中的6个时间点（第0、1、3、5、7、9天） 网络推断方法：GRNBoost2和Spearman相关 模块大小：修剪后的模块中位数为45（分化数据集） CRISPRi验证：2个人类和2个食蟹猴iPSC系，gRNA序列和敲低效率
摘要
为了理解表型进化，研究其背后的基因调控网络（GRNs）至关重要。然而，由于单细胞转录组数据固有的低信噪比，大多数比较性GRN分析仍是描述性的。为解决这一问题，我们引入了CroCoNet（跨物种网络比较），这是一个用于跨物种GRN定量比较的R包。CroCoNet构建以假定调控因子为中心的、可比较的网络模块，并在物种内和物种间比较模块拓扑结构，从而将真正的进化差异与技术性和生物性混杂因素区分开来。我们通过比较灵长类动物的早期神经分化，并利用对分化的POU5F1模块的CRISPRi分析验证结果，展示了其实用性。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何定量比较跨物种的基因调控网络，以区分真正的进化分化与技术及生物混杂因素？
- 核心机制
- POU5F1模块的拓扑分歧可能由顺式调控重连（包括HERVH/LTR7插入）驱动，而非反式效应。
- 主要证据
- 基于人类、大猩猩和食蟹猴神经分化数据构建模块，通过CRISPRi敲低POU5F1验证模块成员和方向，以及SPP1的差异性调控。
- 研究意义
- CroCoNet提供了一个系统发育感知的框架，能够识别保守和分歧的模块，有助于揭示调控重连的进化机制。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
分配共识模块
以假定的调控因子为中心，创建无偏且有生物学意义的共表达模块。
基于共识网络的adjacency，为每个调控因子分配初始模块，并通过动态修剪优化模块成员。
评估模块生物学相关性
验证模块是否富集真实靶基因和生物学通路。
通过Reactome通路富集、ChIP-seq峰重叠和结合基序富集来评估模块质量，并与随机模块比较。
量化模块保守性和分化
量化模块拓扑在物种间和重复间的保守程度，并识别分化或保守的模块。
计算两种保守性统计量（cor.adj和cor.kIM），转换为距离矩阵，构建邻接树，并使用线性模型校正噪声。
识别谱系特异性分化
识别在特定谱系（如人类谱系）上加速进化的模块。
要求目标物种的重复形成单系群，然后计算子树长度和多样性，并与总体模型比较。
验证POU5F1模块分化
通过CRISPRi实验验证POU5F1模块的成员和跨物种调控分歧。
在人类和食蟹猴iPSC中通过CRISPRi敲低POU5F1，分析差异表达基因，并与CroCoNet模块比较。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 网络推断 | GRNBoost2 | -- | -- |
| Spearman相关 | -- | -- | |
| 数据处理 | zUMIs | -- | -- |
| 基因注释转移 | Liftoff | -- | -- |
| 归一化 | scran | -- | -- |
| 细胞类型注释 | SingleR | -- | -- |
| 轨迹推断 | SCORPIUS | -- | -- |
| 批次效应去除 | mnnCorrect | -- | -- |
| 网络推断 | Arboreto | -- | -- |
| 主成分分析 | prcomp | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| crispri | gRNA序列：人类：GACAGAACTCATACGGCGGG，%KD=83.9%；食蟹猴：GAAGCCAGGTGTCCCGCCAT，%KD=84.8%。 阅读提示：Methods 中的 'POU5F1 perturbations using CRISPRi'。 |
| crispri | 细胞数量：每个物种和条件下288个细胞，每个物种总共576个细胞（288个扰动+288个对照）。 阅读提示：Methods 中的 'POU5F1 perturbations using CRISPRi'。 |
| crispri | 差异表达分析设计：基因表达~物种+条件+物种:条件+(1|个体)+(1|批次)。 阅读提示：Methods 中的 'POU5F1 perturbations using CRISPRi'。 |
| 网络推断 | 网络推断方法：GRNBoost2（分化数据）或Spearman相关（脑数据），运行次数和种子数。 阅读提示：Methods 中的 'Network inference'。 |
| 模块分配 | 调控因子列表，分化数据集有836个，脑数据集有499个；模块大小初始4,000，修剪后最小20。 阅读提示：Methods 中的 'Module assignment'。 |
| 模块比较 | 保存统计量：cor.adj和cor.kIM，以及距离变换。 阅读提示：Methods 中的 'Module preservation, tree reconstruction and module filtering'。 |
| 分化定量 | 线性模型公式：总树长~种内多样性。 阅读提示：Methods 中的 'Quantification of cross-species divergence'。 |