GAGE-seq单细胞多组学数据生成与质量控制
获取同一细胞核的转录组和3D基因组联合图谱，验证数据质量。
对20例ROSMAP供体（10 AD，10非AD）的死后前额叶皮层组织进行GAGE-seq，包括细胞核分离、交联、文库构建和测序；经过严格质控去除低质量细胞和双细胞。
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
单细胞多组学连接阿尔茨海默病中的三维基因组与转录组改变
Single-cell multiomics connects 3D genome and transcriptome alterations in Alzheimer's disease.
实验完整度
高包含GAGE-seq单细胞多组学、snATAC-seq整合、Xenium空间转录组、Hicformer深度学习建模及多种功能验证。
主要模型
AD患者及年龄匹配非AD个体的死后前额叶皮层组织（GAGE-seq） 匹配供体snATAC-seq数据 Xenium空间转录组样本（2 AD，2非AD） Hicformer深度学习模型
重点核对
GAGE-seq保留23,825个高质量细胞核，平均每个细胞22,704个UMI、2,477个表达基因和288,931个染色质接触 DEG分析与Mathys et al. (2023) scRNA-seq数据方向一致（Pearson r=0.433–0.902） Xenium保留213,271个细胞，与GAGE-seq整合后主要细胞类型Silhouette score为0.36 Hicformer在未见基因和未见细胞类型场景下均优于仅序列基线模型 APA分析证实AD中cCRE相关中程染色质环强度增加
摘要
阿尔茨海默病（AD）通过细胞类型特异性的转录组和表观基因组改变破坏大脑功能，然而三维（3D）基因组组织对AD的贡献仍知之甚少。我们应用GAGE-seq在来自AD患者和年龄匹配的无AD个体的死后脑组织单细胞中联合分析基因表达和3D染色质结构，揭示了与细胞类型特异性失调相关的染色质重组织。与空间转录组学和染色质可及性数据的整合揭示了反映基因组区室重塑和调控元件重组织的改变生态位。Hicformer表明3D基因组特征对于预测疾病相关的细胞类型特异性基因表达变化至关重要。我们的结果确立高阶染色质改变作为AD相关分子病理的组成部分，为神经退行性变中的转录调控和3D基因组组织提供了多尺度视角。
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
- AD中三维基因组组织如何与细胞类型特异性转录失调相关联，以及3D基因组特征对疾病相关基因表达预测的贡献。
- 核心机制
- AD中染色质区室化全局减弱，表现为长程染色质相互作用增加和A/B区室混合增强；局部cCRE相互作用减弱而中程cCRE相互作用选择性增强，尤其涉及CTCF；3D基因组特征对AD相关基因表达调控贡献增加。
- 主要证据
- GAGE-seq单细胞多组学揭示AD中长程/短程相互作用比值和trans/cis比值增加、A/B区室混合评分升高；整合snATAC-seq发现cCRE锚定相互作用重塑；Hicformer深度学习模型证明3D基因组特征对预测AD相关基因表达至关重要；Xenium空间转录组揭示空间基因程序和细胞通讯改变。
- 研究意义
- 确立高阶染色质改变作为AD相关分子病理的组成部分，提供神经退行性变中转录调控和3D基因组组织的多尺度视角，并为假设生成、机制推断和预测建模提供基础平台。
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。
细胞类型注释与多模态验证
验证GAGE-seq数据能否可靠解析脑细胞类型，并确认与独立数据的一致性。
使用已知标记基因注释8种主要细胞类型和22种亚型；应用Fast-Higashi对scHi-C数据降维可视化；与匹配供体scRNA-seq和snATAC-seq数据整合验证。
AD相关差异基因表达和通路分析
表征AD中细胞类型特异性转录组改变和通路失调。
使用MAST框架进行AD vs 非AD差异表达分析；对DEG进行KEGG、Reactome和AD相关基因集通路富集分析；计算细胞衰老评分和SASP评分。
3D基因组全局改变分析
量化AD中染色质相互作用和A/B区室组织的变化。
计算A/B区室评分、长程/短程相互作用比值、trans/cis比值；生成saddle plot分析区室间相互作用；使用scGHOST定义亚区室并计算单细胞A/B区室混合评分。
cCRE锚定染色质相互作用重塑分析
探究AD中候选顺式调控元件相关的染色质相互作用变化及CTCF的作用。
整合匹配供体snATAC-seq数据定义cCRE类别；按cCRE和CTCF ChIP-seq峰注释分层分析染色质相互作用频率；进行APA分析验证环强度；开发Hi-C ChromVAR推断TF活性。
Hicformer深度学习模型构建与验证
探究3D基因组特征对细胞类型特异性基因表达预测的贡献。
构建基于transformer的Hicformer模型，整合DNA序列、1D Hi-C衍生特征和2D局部接触图预测基因表达；在三种泛化场景下评估模型性能；进行特征归因分析和计算机模拟扰动实验。
Xenium空间转录组数据生成与整合分析
在组织空间背景下验证AD相关基因表达改变和3D基因组重塑。
对4例ROSMAP供体（2 AD，2非AD）PFC样本进行Xenium Prime 5K空间转录组分析；与GAGE-seq数据整合；使用POPARI识别空间基因程序；通过双变量Moran's I量化空间共定位。
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。
单细胞多组学数据生成
差异表达与通路分析
转录因子活性推断
统计分析与稳健性检验
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞核分离 | EZ裂解缓冲液 | MilliporeSigma | NUC101 |
| 研磨杵 | Thomas Scientific | 1194N23 | |
| SupeRaseIn RNA酶抑制剂 | ThermoFisher Scientific | AM2694 | |
| 酶促RNA酶抑制剂 | Qiagen | Y9240L | |
| 交联 | 二琥珀酰亚胺戊二酸酯 | Thermo Scientific | -- |
| 甲醛 | Electron Microscopy Sciences | 15714 | |
| GAGE-seq文库构建 | Ampure磁珠 | Beckman Coulter | -- |
| Dynabeads MyOne链霉亲和素C1磁珠 | ThermoFisher Scientific | -- | |
| 测序 | NovaSeq X plus测序平台 | Illumina | -- |
| 空间转录组 | Xenium Prime 5K人类泛组织与通路检测试剂盒 | 10x Genomics | PN-1000671 |
| Xenium分析仪 | 10x Genomics | PN-1000481 |
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 |
|---|---|
| GAGE-seq样本选择与分组 | 供体来源ROSMAP、AD组Braak 5-6、非AD组Braak 0-2、每组10例、年龄匹配（AD平均86.6岁，非AD平均86.2岁）、性别平衡（5:5）、死后间隔（AD平均6.0 h，非AD平均5.8 h） 阅读提示：Methods中ROSMAP donor selection and clinical/pathological characterization小节及Fig. 1A |
| GAGE-seq数据质量控制 | scHi-C总接触数和cis/trans比值阈值、scRNA总UMI数和表达基因数阈值、线粒体转录本比例阈值 阅读提示：Methods中Valid cell calling小节及Table S4 |
| 差异表达分析 | MAST框架、min.pct=0.1、调整p<0.05、|log2FC|≥0.25 阅读提示：Methods中Differential gene expression calling小节 |
| Xenium空间转录组 | 4例供体均为女性、AD平均年龄93.8岁、非AD平均年龄91.4岁、切片厚度10 μm、Xenium Prime 5K panel靶向5,001个基因 阅读提示：Methods中Spatial in situ gene expression of human brain tissue using Xenium PRIME 5K小节 |
| Hicformer模型训练 | 7,598个基因、26种细胞类型-条件组合、输入窗口TSS±200 bins（1,024 bp/bin）、学习率网格（1e-4、5e-5、1e-5）、权重衰减网格（1e-4、5e-5、1e-5、5e-6、1e-6） 阅读提示：Methods中Hicformer: A transformer-based model to predict gene expression小节 |