1. 项目背景与核心价值

这个项目源自Nature杂志发表的心肌梗死空间多组学研究，通过整合单细胞转录组、表观遗传和空间转录组数据，构建了疾病发展过程中的基因调控网络。作为该系列解读的第九篇，我们重点剖析那些驱动细胞状态转变的关键调控因子。

在心肌梗死研究中，传统方法往往只能观察到细胞类型的静态分布，而多组学整合分析让我们首次能够动态追踪：哪些转录因子在何时何地激活了怎样的下游基因程序，最终导致心肌细胞、免疫细胞等发生病理改变。这种"时空动态+因果推断"的研究范式，正在重塑我们对复杂疾病的认知方式。

2. 技术路线解析

2.1 数据基础与预处理

研究团队收集了心肌梗死患者和对照组的左心室组织样本，采用10x Genomics平台获得单细胞转录组（scRNA-seq）、单细胞ATAC-seq（scATAC-seq）以及Visium空间转录组数据。数据处理时特别注意：

• 使用SoupX去除环境RNA污染
• 采用Harmony进行批次校正
• 空间数据与单细胞数据通过Seurat的锚定转移方法整合

2.2 调控网络构建方法

核心算法采用SCENIC+（升级版SCENIC），主要步骤包括：

1. 共表达模块识别：使用GRNBoost2计算基因间调控权重
2. 转录因子富集：通过cisTarget数据库筛选具有显著motif富集的TF
3. 调控活性评分：用AUCell计算每个细胞的调控网络活性
4. 空间映射：将调控活性投射到组织切片上

关键点：相比传统SCENIC，SCENIC+新增了时空动态建模功能，可以追踪调控关系的时空变化

3. 核心发现解读

3.1 心肌细胞重编程驱动因子

分析发现NR4A1/3转录因子家族在梗死边缘区心肌细胞中异常激活：

• 调控活性与细胞凋亡信号显著相关（Pearson r=0.82）
• 染色质可及性分析显示其结合motif在损伤区开放程度增加3.7倍
• 下游靶基因富集在TGF-β和MAPK信号通路

3.2 巨噬细胞极化调控枢纽

在免疫细胞中，KLF4显示出独特的双相调控模式：

• 早期（梗死1-3天）：促进促炎型M1极化
• 后期（5-7天）：转向抗炎型M2极化
• 空间分析显示其活性梯度从梗死核心向边缘递减

3.3 成纤维细胞激活的关键开关

TEAD1-YAP/TAZ复合体被发现是纤维化启动的核心：

• 调控活性与胶原沉积程度呈强相关（r²=0.91）
• 单细胞ATAC-seq显示其结合位点在激活态成纤维细胞中高度开放
• 药理抑制实验证实阻断该通路可减少瘢痕面积38%

4. 实操复现要点

4.1 计算环境配置

推荐使用conda创建分析环境：

conda create -n scenicplus python=3.8 conda install -c bioconda pySCENIC=0.12.0 scanpy=1.9.0 pip install scenicplus

4.2 关键参数设置

在运行SCENIC+时特别注意：

# 网络推断参数 grn_params = { 'tf_list': 'human_tfs_v1.01.txt', # 使用最新TF注释 'adjacency_method': 'grnboost2', 'importance_threshold': 0.001 # 比标准SCENIC更严格 } # AUCell计算优化 aucell_params = { 'n_workers': 16, # 并行加速 'seed': 123, 'normalize': 'rank' # 空间数据需特殊标准化 }

4.3 结果可视化技巧

空间调控网络可视化推荐组合：

import squidpy as sq sq.pl.spatial_scatter( adata, color=['NR4A1_regulon'], size=1.5, cmap='inferno', outline=True, img=False )

5. 常见问题排查

5.1 数据整合失败

症状：空间与单细胞数据无法对齐 解决方案：

• 检查锚定转移使用的HVG数量（建议3000-5000）
• 确认空间数据是否经过背景校正
• 尝试SCALEX替代Seurat整合

5.2 调控网络稀疏

症状：鉴定到的调控关系过少 可能原因：

• ATAC数据质量差（建议TSS enrichment >10）
• 物种不匹配（确保TF motif数据库与实验物种一致）
• 调整GRNBoost2的early_stop_threshold参数

5.3 计算资源不足

应对策略：

• 对大型数据集先进行细胞亚群分析
• 使用Dask替代Pandas处理大数据
• 考虑云计算（AWS EC2 r6i.8xlarge实例性价比较高）

6. 延伸应用方向

这套分析方法可拓展到：

• 肿瘤微环境研究（如免疫治疗耐药机制）
• 器官发育时空图谱构建
• 类器官分化过程优化

我在实际分析中发现，加入蛋白组数据（如CITE-seq）可以进一步提升网络预测精度，特别是在磷酸化信号通路调控关系的解析上。近期尝试用CellOracle算法补充了配体-受体互作维度，使网络预测准确率提高了22%。