DOI: https://doi.org/10.1038/s41586-025-08757-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40108460
تاريخ النشر: 2025-03-19
المؤلف: Liyang Song وآخرون
الموضوع الرئيسي: علم النسخ الجيني أحادي الخلية والمكاني
نظرة عامة
تقدم هذه القسم طريقة جديدة تُسمى رسم الخرائط الجينية المكانية للخلايا للسمات المعقدة (gsMap)، والتي تدمج بيانات النسخ الجيني المكاني مع إحصائيات دراسة الارتباط على مستوى الجينوم (GWAS) لرسم خرائط مكانية للخلايا ذات الصلة بالسمات المعقدة البشرية، بما في ذلك الأمراض المختلفة. قام المؤلفون بتقييم gsMap باستخدام مجموعات بيانات النسخ الجيني المكاني الجنينية من 25 عضوًا، مؤكدين فعاليتها من خلال تأكيد الارتباطات المعروفة بين خلايا أو مناطق معينة والسمات.
عند تطبيق gsMap على بيانات النسخ الجيني المكاني للدماغ، يكشف البحث أن التوزيع المكاني للخلايا العصبية الغلوتاماتية المرتبطة بالفصام يتماشى بشكل أقرب مع السمات المعرفية مقارنةً بالاضطرابات المزاجية مثل الاكتئاب. على وجه التحديد، تم العثور على الخلايا العصبية المرتبطة بالفصام بالقرب من الحصين، حيث تظهر زيادة في التعبير عن الجينات المتعلقة بإشارات الكالسيوم وتنظيمها. بالمقابل، تقع الخلايا العصبية المرتبطة بالاكتئاب بالقرب من القشرة الجبهية العميقة، مما يظهر زيادة في التعبير عن الجينات المعنية بالمرونة العصبية والأهداف للأدوية النفسية. يبرز هذا البحث إمكانيات gsMap في تقديم رؤى مكانية مفصلة حول الخلايا المرتبطة بالسمات وتوقيعاتها الجينية ذات الصلة.
طرق
توضح قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث قاموا بإجراء تحليلات إحصائية لتقييم البيانات التي تم جمعها من التجارب. شملت المنهجيات المحددة استخدام مجموعات التحكم، والتوزيع العشوائي، والتعمية لتقليل التحيز وضمان موثوقية النتائج.
تم تحليل البيانات باستخدام برامج إحصائية مناسبة، مع تحديد مستويات الدلالة عند p < 0.05. قام الباحثون بتطبيق اختبارات إحصائية متنوعة، مثل اختبارات t وANOVA، لمقارنة المتوسطات عبر مجموعات مختلفة. بالإضافة إلى ذلك، تم إجراء تحليلات الانحدار لاستكشاف العلاقات بين المتغيرات. يبرز القسم أهمية الصرامة المنهجية في الحصول على نتائج صالحة وقابلة للتعميم.
نتائج
في هذا القسم، طبق الباحثون طريقة gsMap لتحليل ثمانية مقاطع من القشرة الجبهية الجانبية البشرية (DPLFC) للنسخ الجيني المكاني (ST)، مما أسفر عن نتائج متسقة للغاية عبر هذه العينات. قاموا بحساب نسب الأرجحية (OR) لكل طبقة قشرية لت quantifying قوة الارتباط مع سمات مختلفة، مقارنين هذه القيم بين مجموعات بيانات البشر والماكاك. من الجدير بالذكر أن خمس طبقات قشرية فقط تم مطابقتها بين النوعين، مما أدى إلى تحليل مجمع لقيم OR من 22 سمة مرتبطة بالدماغ، مما أسفر عن إجمالي 110 نقطة بيانات للمقارنة.
بالإضافة إلى ذلك، استخدمت الدراسة طريقة scDRS لدمج إحصائيات دراسة الارتباط على مستوى الجينوم (GWAS) مع بيانات تسلسل RNA أحادي الخلية (scRNA-seq)، بهدف تحديد الخلايا ذات الصلة بسمات معينة. تحسب scDRS درجة إثراء السمة بناءً على مستويات التعبير عن الجينات المرتبطة بالسمات المستمدة من GWAS. على الرغم من تصميمها في البداية لـ scRNA-seq، تم تعديل الطريقة لبيانات ST من خلال اعتبار كل نقطة مكانية كخلية. اتبع الباحثون بروتوكولًا موحدًا، مستخدمين MAGMA لإحصائيات الاختبار المعتمدة على الجينات وعينة مونت كارلو لإنشاء مجموعات جينات التحكم، وفي النهاية حساب قيم P لإثراء السمات لكل نقطة مكانية تم تحليلها.
مناقشة
تم تصميم منهجية gsMap لتقييم إثراء المتغيرات الجينية، وخاصة تعدد أشكال النوكليوتيدات المفردة (SNPs)، فيما يتعلق بالسمات ذات الاهتمام من خلال الاستفادة من بيانات النسخ الجيني المكاني (ST). تتضمن هذه الطريقة ثلاث خطوات رئيسية: أولاً، تستخدم شبكة عصبية رسومية (GNN) لتحديد النقاط المتجانسة بناءً على التعبير الجيني والإحداثيات المكانية، مما يسمح بحساب درجات خصوصية الجينات (GSSs). ثانيًا، تقوم gsMap برسم هذه GSSs إلى SNPs ضمن نافذة جينومية محددة حول كل جين، مما يمكّن من تقييم ما إذا كانت SNPs ذات GSSs أعلى مرتبطة بشكل كبير بالوراثة للصفة باستخدام تحليل الانحدار المرتبط بالارتباط المتدرج (S-LDSC). أخيرًا، تجمع الطريقة قيم P من النقاط الفردية ضمن المناطق المكانية باستخدام اختبار تجميع كوشي لت quantifying الأهمية العامة للارتباطات مع السمة.
تم إثبات صحة gsMap من خلال تحليلات بيانات ST من الأجنة الفأرية، حيث أعادت بنجاح تأكيد الارتباطات المعروفة بين سمات وأنسجة مختلفة، مثل ربط حاصل الذكاء (IQ) بنقاط الدماغ وتركيز الهيموجلوبين الكروي المتوسط (MCHC) بنقاط الكبد. بالإضافة إلى ذلك، تم تطبيق gsMap على بيانات ST الجنينية البشرية، ورسم السمات إلى سلف الأعضاء على الرغم من عدم اكتمال تشكيل الأعضاء في تلك المرحلة التطورية. حافظت الطريقة على معدل اكتشاف خاطئ متحكم فيه عبر سيناريوهات فارغة مختلفة، مما يؤكد موثوقيتها. من الجدير بالذكر أنه عند تطبيقها على بيانات دماغ الفأر، كشفت gsMap عن ارتباطات كبيرة بين أنواع معينة من الخلايا العصبية والسمات، مما يبرز التوزيع المكاني للخلايا العصبية المرتبطة بالسمات، لا سيما في الحصين والدماغ الأوسط، مما يوفر رؤى حول الأسس الجينية للسمات المعقدة على مستوى الخلايا.
DOI: https://doi.org/10.1038/s41586-025-08757-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40108460
Publication Date: 2025-03-19
Author(s): Liyang Song et al.
Primary Topic: Single-cell and spatial transcriptomics
Overview
This section introduces a novel method called genetically informed spatial mapping of cells for complex traits (gsMap), which integrates spatial transcriptomics data with genome-wide association study (GWAS) summary statistics to spatially map cells relevant to human complex traits, including various diseases. The authors benchmark gsMap using embryonic spatial transcriptomics datasets from 25 organs, validating its effectiveness by confirming known associations between specific cells or regions and traits.
Applying gsMap to brain spatial transcriptomics data, the study uncovers that the spatial distribution of glutamatergic neurons linked to schizophrenia aligns more closely with cognitive traits than with mood disorders like depression. Specifically, schizophrenia-associated neurons are found near the dorsal hippocampus, exhibiting increased expression of genes related to calcium signaling and regulation. In contrast, neurons associated with depression are located near the deep medial prefrontal cortex, showing upregulation of genes involved in neuroplasticity and targets for psychiatric drugs. This research highlights gsMap’s potential to provide spatially resolved insights into trait-associated cells and their related gene signatures.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from the experiments. Specific methodologies included the use of control groups, randomization, and blinding to minimize bias and ensure the reliability of the results.
Data were analyzed using appropriate statistical software, with significance levels set at p < 0.05. The researchers applied various statistical tests, such as t-tests and ANOVA, to compare means across different groups. Additionally, regression analyses were conducted to explore relationships between variables. The section emphasizes the importance of methodological rigor in obtaining valid and generalizable findings.
Results
In this section, the researchers applied the gsMap method to analyze eight human dorsolateral prefrontal cortex (DPLFC) spatial transcriptomics (ST) sections, yielding highly consistent results across these samples. They calculated odds ratios (OR) for each cortical layer to quantify the strength of association with various traits, comparing these values between human and macaque datasets. Notably, only five cortical layers were matched between the two species, leading to a pooled analysis of OR values from 22 brain-related traits, resulting in a total of 110 data points for comparison.
Additionally, the study utilized the scDRS method to integrate genome-wide association study (GWAS) summary statistics with single-cell RNA sequencing (scRNA-seq) data, aiming to identify cells relevant to specific traits. The scDRS computes a trait-enrichment score based on the expression levels of trait-associated genes derived from GWAS. Although initially designed for scRNA-seq, the method was adapted for ST data by treating each spatial spot as a cell. The researchers followed a standardized protocol, employing MAGMA for gene-based test statistics and Monte Carlo sampling to generate control gene sets, ultimately calculating trait-enrichment P values for each spatial spot analyzed.
Discussion
The gsMap methodology is designed to evaluate the enrichment of genetic variants, particularly single nucleotide polymorphisms (SNPs), in relation to traits of interest by leveraging spatial transcriptomics (ST) data. This approach involves three main steps: first, it employs a graph neural network (GNN) to identify homogeneous spots based on gene expression and spatial coordinates, allowing for the calculation of gene specificity scores (GSSs). Second, gsMap maps these GSSs to SNPs within a defined genomic window around each gene, enabling the assessment of whether SNPs with higher GSSs are significantly associated with the heritability of the trait using stratified linkage disequilibrium score regression (S-LDSC). Finally, the method aggregates P values from individual spots within spatial regions using the Cauchy combination test to quantify the overall significance of associations with the trait.
Validation of gsMap was demonstrated through analyses of ST data from mouse embryos, where it successfully recapitulated known associations between various traits and tissues, such as linking intelligence quotient (IQ) to brain spots and mean corpuscular haemoglobin concentration (MCHC) to liver spots. Additionally, gsMap was applied to human embryonic ST data, mapping traits to organ progenitors despite the incomplete organ formation at that developmental stage. The method maintained a controlled false discovery rate across various null scenarios, confirming its reliability. Notably, when applied to mouse brain data, gsMap revealed significant associations between specific neuron types and traits, highlighting the spatial distribution of trait-associated neurons, particularly in the hippocampus and midbrain, thus providing insights into the genetic underpinnings of complex traits at a cellular resolution.