供者分组与样本特征分析
根据ADNC和LATE-NC神经病理标准对供者进行分层，并比较各组人口学和临床特征。
从SEA-AD文件获取供者神经病理和临床数据，依据Overall AD neuropathological change和LATE元数据字段将供者分为四组。使用Kruskal-Wallis检验比较死亡年龄和PMI，Fisher精确检验比较性别分布。
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
ADNC、LATE-NC及混合病理中非神经元细胞不同的单核RNA-seq变化
Distinct single-nucleus RNA-seq changes among non-neuronal cells in ADNC, LATE-NC, and mixed pathologies
实验完整度
低本研究为对公开SEA-AD snRNA-seq数据的二次分析，无新实验验证，主要基于计算差异表达和通路富集。
主要模型
人脑中颞回（MTG）非神经元细胞 人脑A9区域非神经元细胞 SEA-AD单核RNA-seq数据
重点核对
供者分组依据ADNC和LATE-NC分期：minimal-to-no ADNC/LATE-NC n=10、LATE-NC dominant n=11、ADNC dominant n=17、mixed LATE-NC&ADNC n=45 DEG分析使用NEBULA混合模型，纳入年龄、性别、PMI、种族和APOE基因型作为协变量，供者ID为随机效应 DEG显著性阈值：log2 fold-change ≥0.58且Benjamini-Hochberg校正P < 0.05 GSEA使用fgseaMultilevel，FDR校正P < 0.05，基因排序基于NEBULA统计量 CellChat分析参数：配体-受体数据库为human，computeCommunProb trimmed mean阈值0.1，filterCommunication最小细胞数10
摘要
引言：边缘优势年龄相关TDP-43脑病神经病理改变（LATE-NC）常与阿尔茨海默病神经病理改变（ADNC）共存，使分类复杂化。区分LATE-NC主导、ADNC主导以及LATE-NC与ADNC混合病理的细胞类型特异性分子特征仍不完全清楚。方法：我们分析了来自Seattle Alzheimer's Disease Brain Cell Atlas联盟的单核RNA测序数据，聚焦于中颞回（MTG）的非神经元细胞。供者被分为LATE-NC主导、ADNC主导和LATE-NC与ADNC混合组。在胶质和血管细胞超级类型中进行了差异表达和基因集富集分析。结果：不同的转录模式区分了这些病理。星形胶质细胞、小胶质细胞和少突胶质细胞在LATE-NC主导与ADNC主导病例之间表现出差异表达。代表性基因和通路突出了这些差异，LATE-NC主导显示信号传导和RNA调控富集，ADNC主导显示线粒体功能障碍富集，混合病理显示翻译失调和脂质重塑富集，提示一种独特的生物学状态。讨论：研究结果强调了与疾病分类和未来研究相关的生物学异质性和非神经元分子特征。临床试验注册信息：不适用。本研究是对公开可用的Seattle Alzheimer's Disease Brain Cell Atlas（SEA-AD）数据的二次分析。
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
- 区分LATE-NC主导、ADNC主导以及LATE-NC与ADNC混合病理的非神经元细胞类型特异性分子特征是什么？
- 核心机制
- LATE-NC与信号传导、脂质代谢和RNA调控通路相关；ADNC以线粒体功能障碍和蛋白质稳态应激为主；混合病理表现为翻译失调和 convergent cellular stress responses，提示其为一种独特的生物学状态。
- 主要证据
- 对SEA-AD snRNA-seq数据的差异表达和GSEA分析显示，星形胶质细胞、小胶质细胞和少突胶质细胞在不同病理组间存在 distinct transcriptional patterns，代表性基因和通路富集支持上述机制。
- 研究意义
- 研究结果强调了与疾病分类和未来研究相关的生物学异质性和非神经元分子特征，可帮助改进鉴别诊断并为未来生物标志物发现和靶向治疗策略提供信息。
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。
单核RNA-seq数据处理与质控
获取并处理SEA-AD snRNA-seq数据，确保数据质量适用于下游分析。
下载SEA-AD processed single-cell profiling数据，使用SCANPY v1.11.2和Seurat v5.2.0转换H5AD为Seurat对象。保留SEA-AD质控后的细胞，计算线粒体读段百分比作为事后质控。
细胞类型注释与验证
确认非神经元细胞亚类和超级类型的注释准确性。
采用SEA-AD提供的subclass和supertype注释，使用dot plots和violin plots可视化经典标记基因表达以评估注释一致性。
供者水平细胞比例分析
检验非神经元细胞超级类型比例是否与神经病理组或年龄相关。
使用beta regression框架，以神经病理组为主要变量，年龄、性别、PMI和总细胞数为协变量，对每个超级类型的比例进行建模。
差异表达基因分析
识别不同神经病理组间非神经元细胞超级类型的差异表达基因。
使用NEBULA负二项混合模型进行DEG分析，纳入供者随机效应和协变量，计算CPC并过滤低表达基因。
生物通路富集分析
识别与不同病理组相关的显著KEGG和GO通路。
使用fgsea R package对每个细胞超级类型每组每个脑区进行GSEA，基因基于NEBULA模型signed statistic排序。
细胞-细胞通讯分析
推断非神经元MTG超级类型之间的配体-受体相互作用，并比较不同病理组。
使用CellChat R package创建三个病理组的CellChat对象，推断通讯概率并计算网络中心性。
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
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 |
|---|---|
| 供者分组与样本特征 | ADNC和LATE-NC分期标准、各组样本量、排除标准（Unclassifiable LATE-NC） 阅读提示：Methods 2.1节，Table 1，Figure 1 |
| 单核RNA-seq数据处理与质控 | 数据来源为SEA-AD processed数据，未重新处理原始测序数据；QC阈值：<500检测基因剔除；线粒体读段百分比 阅读提示：Methods 2.2.1-2.2.2节，Supplementary Methods |
| 细胞类型注释 | 使用SEA-AD提供的subclass/supertype注释；标记基因可视化用于验证 阅读提示：Methods 2.2.4节，Figure 2C，Figure S2 |
| 供者水平细胞比例分析 | beta regression模型参数：协变量包括年龄、性别、PMI、log10总细胞数；0/1比例调整方法；多重检验校正 阅读提示：Methods 2.2.5节，Figure S3，Zenodo脚本 |
| 差异表达基因分析 | NEBULA模型参数：协变量包括年龄、性别、PMI、种族、APOE基因型；供者ID随机效应；CPC过滤；显著性阈值 阅读提示：Methods 2.2.7节，Table S3，Zenodo脚本 |
| 生物通路富集分析 | GSEA参数：fgseaMultilevel默认设置；FDR<0.05；基因排序方法；MSigDB版本 阅读提示：Methods 2.2.8节，Table 3 |
| 细胞-细胞通讯分析 | CellChat参数：至少50细胞保留；下采样最大2000；trimmed mean阈值0.1；最小细胞阈值10；使用human数据库 阅读提示：Methods 2.2.9节，Figure 5，Figure S14 |