scRNA-seq已成为单细胞分辨率测量基因表达丰度的首选工具，可用于揭示哪些基因在哪些细胞类型中活跃，并识别新的细胞群。将scRNA-seq与全基因组关联研究（GWAS）数据相结合，可提供更精细的分辨率，确定GWAS风险变异影响疾病的关键组织、细胞类型和细胞群。以往scRNA-seq与GWAS的整合研究主要集中在细胞类型注释，聚合来自相同细胞类型的细胞，但这种方法忽略了细胞类型中单细胞的异质性。

近日，美国麻省理工学院联合Broad研究所、加州大学等研究团队在Nature genetics上发表了题为“Polygenic enrichment distinguishes disease associations of individual cells in single-cell RNA-seq data”的研究文章。研究人员引入了单细胞疾病相关性评分（scDRS），这是一种在单细胞分辨率下将scRNA-seq 与多基因疾病风险联系起来的方法。scDRS不依赖于细胞类型注释，可通过GWAS鉴定出跨疾病相关基因过度表达的细胞。scDRS可识别GWAS中涉及疾病相关基因过度表达的细胞。研究人员将scDRS应用于涉及74种疾病的31个组织/器官的130万个单细胞基因表达谱，广泛概括了已知的细胞类型-疾病关联，确定了未被细胞类型标记捕获的疾病相关细胞亚群。

文章发表于Nature Genetics

图1. ScDRS方法概述，来源：Nature Genetics

研究人员将scDRS与三种单细胞评分的最先进方法（Seurat、Vision和VAM）进行了比较。从TMS （Muris Tabula Senis）单细胞图谱数据中对10,000个细胞进行了二次抽样，并随机选择了1,000个致病基因。结果显示，scDRS和Seurat产生了经过良好校准的P值，Vision显示出轻微的I型错误，VAM产生严重膨胀的I型错误（图2a）。

此外，研究人员从二次抽样的10,000个细胞中随机选择500个作为致病细胞，并人为地扰乱其表达水平。结果表明，scDRS在错误发现率（FDR）<0.1时获得了比Seurat和Vision更高的个体细胞疾病关联检测能力（图2b）。

图2. 评估ScDRS的校准能力，来源：Nature Genetics

随后，研究人员利用scDRS分析了来自74种疾病/特征的GWAS数据以及具有120种细胞类型的TMS数据，图3报告了19种细胞类型和22种疾病/特征的代表性子集的结果。在该子集中，scDRS确定了80个相关的细胞类型-疾病对，并检测到43个细胞内疾病相关异质性。对于细胞类型-疾病关联，scDRS广泛地将血液/免疫细胞类型与血液/免疫相关疾病/特征、脑细胞类型与脑相关疾病/特征以及其他细胞类型与其他疾病/特征相关联。

图3. 针对 74 种疾病和性状的 120 种 TMS 细胞类型的结果，来源：Nature Genetics

研究人员联合分析了所有TMS 数据中的T细胞，共产生了11个簇（图4a）。该研究考虑了十种自身免疫性疾病：炎症性肠病（IBD）、克罗恩病（CD）、溃疡性结肠炎（UC）、类风湿性关节炎（RA）、MS、自身免疫性状（AITs）、甲状腺功能减退（HT）、湿疹、哮喘（ASM）和呼吸道和耳鼻喉疾病（RR-ENT），并重点关注了与IBD相关的单个细胞。分析发现，387个IBD相关细胞形成了11个T细胞簇中的4个亚群。研究人员进一步比较了IBD与HT的个体T细胞关联，发现前四个与HT相关亚群不仅包括三个与IBD相关亚群，还包括簇10中独特的细胞亚群。

此外，研究人员研究了与自身免疫性疾病相关T细胞的异质性是否与T细胞效应梯度相关，并分别评估了CD4、CD8效应梯度是否与患者的scDRS疾病评分相关。结果表明CD4效应梯度与IBD、CD、UC、AIT和HT有很强的相关性，与湿疹和ASM的相关性较弱，和RA、MS和RR-ENT无显著关联。（图4）。

综上所述，研究团队通过广泛的模拟表明scDRS方法校准良好且功能强大，是一种在scRNA-seq数据中区分单个细胞疾病关联的有效方法。研究人员将scDRS与16个scRNA-seq数据集一起应用于74种疾病/特征，检测到了细胞类型中单个细胞疾病关联的异质性。这些发现有助于阐明GWAS风险变异影响疾病的分子机制。

参考文献：

Zhang, M.J., Hou, K., Dey, K.K. et al. Polygenic enrichment distinguishes disease associations of individual cells in single-cell RNA-seq data. Nat Genet （2022）. https://doi.org/10.1038/s41588-022-01167-z