跳到正文
原文
生物谷·资讯·· 23 小时前AI 评分35

畜禽单细胞图谱助力精准医学与动物改良

给猪牛鸡做单细胞,怎么反过来帮人找药靶?J Animal Sci Biotechnol 综述:畜禽单细胞图谱,正在长成人类精准医学的“另一套参考系”

AI 导读

近日发表在《Journal of Animal Science and Biotechnology》上的一篇综述报告系统梳理了单细胞组学在畜禽改良与人类健康领域的最新进展。

正文

全球人口突破80亿,肉蛋奶需求持续攀升,畜牧业生产效率与疫病防控压力同步加大;心血管疾病、糖尿病、阿尔茨海默病等复杂疾病每年夺走数千万生命,精准医学亟需细胞层面的机制解析。

日前,一篇发表在国际杂志Journal of Animal Science and Biotechnology上题为“Harnessing single-cell omics for farmed animal improvement and human health”的综述报告系统梳理单细胞组学在畜禽改良与人类健康领域的最新进展。文章中,研究人员首先回溯研究范式的转变:以往解析复杂性状多依赖整块组织测序的混合样本方法,人类基因型-组织表达计划(GTEx)和畜禽基因型-组织表达计划(FarmGTEx)由此积累大量调控变异数据;但一块组织混杂多种细胞,混合测序把分子信号平均化,细胞类型特异的调控机制被掩盖,遗传变异与细胞功能之间的联系难以精确建立。

单细胞测序在单个细胞水平测定基因表达、染色质开放状态、表观修饰和空间结构,恰好弥补这一局限。这篇综述沿技术演进脉络展开,从2009年首个单细胞RNA测序方案,到微液滴、板式和微流控三类平台的分化,再到转录组、表观组、蛋白组、代谢组和空间组学的多模态整合。微液滴方案一次可捕获数万细胞,适合大规模图谱构建;板式方案覆盖全长转录本,善于捕捉稀有细胞和剪接异构体;微流控方案成本适中,适合珍贵临床样本。多组学整合把同一细胞的基因表达与染色质可及性、表面蛋白乃至空间位置对应起来,使研究从静态分子状态走向动态细胞行为。

技术成熟带动参考细胞图谱项目兴起,人类细胞图谱计划自2016年启动以来,已收集6440万细胞、来自约1.1万名供体,构建18个组织特异的单细胞网络;Tabula Sapiens覆盖24种组织40余万细胞;非人灵长类细胞图谱分析45种组织约百万细胞。小鼠、果蝇、斑马鱼等模式生物也建立全身尺度的细胞参考。

畜禽领域图谱建设同样快速推进。2022年首个猪全身单细胞图谱覆盖20种组织,奶牛跨组织代谢细胞图谱覆盖10种组织、鉴定55种细胞类型。此后牛的全organism图谱覆盖59种组织、约179万细胞,注释131种细胞类型,并结合全基因组关联分析定位性状相关细胞类型;猪的图谱扩展到19种组织、22.9万细胞核。鸡的性别平衡图谱覆盖32种组织,揭示内分泌和免疫组织的性别差异;猪的妊娠期家系图谱分析母体与胎儿115种和119种组织共256万细胞,解析母体心脏适应和胎儿生长受限的细胞机制。文章也直言差距所在:畜禽图谱在组织覆盖均衡性和跨研究整合上仍落后于人类,多数研究聚焦单一组织。

图谱提供细胞参考,群体遗传学提供变异信息,二者结合的关键是在细胞水平定义分子表型。早期单细胞测序成本高、样本量小,研究者发展去卷积方法,利用单细胞参考从批量RNA测序数据推断细胞类型组成和表达谱,再用于表达数量性状位点(eQTL)定位。这类方法分为基于参考、基于标记基因和无参考三类,准确性取决于参考图谱质量、标记基因选择和组织复杂程度。

随着测序成本下降,群体尺度单细胞测序成为可能。研究者在细胞类型或细胞状态水平构建伪批量表达谱,定位细胞类型特异的eQTL、剪接QTL和染色质可及性QTL。人类外周血单核细胞研究从982名个体的127万细胞中鉴定26597个独立顺式eQTL和990个反式eQTL;记忆T细胞研究把分辨率从细胞类型推进到连续细胞状态,从259名个体50余万细胞中鉴定6511个细胞状态依赖的顺式eGene。畜禽方面,牛细胞类型调控图谱整合8364份批量RNA测序样本与999192个单细胞、81种细胞类型,鉴定57043个新调控变异,结合44种复杂性状的关联分析,找到505个批量eQTL无法发现的性状相关位点;猪和鸡的类似研究也报告细胞类型互作QTL。

这篇综述涵盖的主要主题的概念性概览

统计模型同步演进;线性回归适合伪批量数据,线性混合模型纳入群体结构和亲缘关系,在畜禽复杂系谱中尤为重要;泊松和负二项模型直接处理群体尺度单细胞数据的稀疏性和过离散;互作模型刻画基因型与细胞组成的交互效应,这些模型互补而非替代,选择取决于分子表型、数据结构和生物学问题。

数据规模膨胀带来计算挑战,深度学习与基础模型由此进入单细胞分析。自编码器擅长去噪、插补、降维和批次校正;图神经网络显式建模细胞或基因间关系,适合细胞类型注释和调控网络推断;Transformer架构捕捉长程依赖,支撑scGPT、scFoundation、Geneformer等基础模型。这些模型在海量单细胞数据上预训练,再通过微调适配注释、扰动预测和多组学整合等任务。文章同时提示风险:基础模型多在人类数据上训练,迁移到畜禽需物种特异的大规模预训练数据或迁移学习策略,预测结果也应经独立数据验证。

预测性建模代表另一方向。scGen、CPA、GEARS等模型在潜在空间预测细胞对基因扰动、药物处理和环境刺激的转录响应,减少实验负担,人工智能虚拟细胞的概念进一步提出整合多尺度、多模态数据,模拟分子、细胞和组织行为。

单细胞数据的应用沿多条路径展开。细胞类型富集分析把全基因组关联信号映射到特定细胞群;共定位、孟德尔随机化和转录组关联研究把数量性状位点与疾病或经济性状联系,优先候选基因和变异;精细定位进一步缩小因果变异范围。深度学习模型如scPRS、scPrediXcan从单细胞数据直接预测性状与细胞类型的关联,绕开连锁不平衡干扰。

药物研发领域,单细胞扰动筛选提供靶点功能证据,转录特征匹配方法借助Connectivity Map等资源快速筛选候选化合物,人工智能模型预测未见扰动下的细胞响应。文章建议这些策略按顺序整合:先由遗传分析和计算模型排序靶点与化合物,再用靶向扰动实验验证机制。畜禽应用目前仍集中在图谱构建和性状解读,群体尺度单细胞遗传学、多模态数量性状位点定位和人工智能辅助功能预测尚处起步阶段。

这篇综述在结尾勾画出了几个关键方向,建立带基因型信息的群体尺度单细胞数据集是畜禽研究的优先事项,其将支持直接鉴定细胞类型特异分子数量性状位点。人工智能驱动的精准医学和畜禽改良有望借助单细胞数据解析经济性状的细胞机制、预测遗传扰动效应并指导基因组选择,同时为兽医药物研发提供靶点。

当然了,挑战同样清晰:数据稀疏、技术变异、组织与物种覆盖不全,实验方案和计算流程亟需标准化;人工智能模型跨物种泛化需要更丰富训练数据和严格基准测试;虚拟细胞的自洽性与可解释性仍是难题。(生物谷Bioon.com)

参考文献:

Li, H., Fang, L. Harnessing single-cell omics for farmed animal improvement and human health. J Animal Sci Biotechnol 17, 205 (2026). doi:10.1186/s40104-026-01516-6

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

来源:生物谷·资讯 · news.bioon.com