Research丨陈洛南/刘小平团队在单细胞特异性因果网络构建取得进展

近年来，单细胞 RNA 测序技术（ scRNA -seq ）的快速发展为生命科学研究带来了革命性的变化。这项技术使科学家们能够在单个细胞水平上解析基因表达谱，为理解细胞异质性、发育轨迹和疾病机制提供了前所未有的分辨率。然而，在基因调控网络（ GRN ）研究领域，科学家们仍然面临着几个关键性挑战：

· 分辨率瓶颈：传统 GRN 推断方法（如 GENIE3 、 GRNBoost2 等）通常只能在细胞群体水平构建“平均化”的调控网络，无法反映单个细胞特有的调控特征。这种 " 群体平均 " 的方法掩盖了细胞间的重要异质性信息。

· 因果关系困境：现有方法主要基于基因间的共表达关系，难以区分真实的因果关系和相关关系。这种局限性使得研究人员无法准确识别调控关系中的“ 驱动者” 和“ 响应者” 。

· 动态过程解析不足：对于细胞重编程、发育分化等动态过程，传统方法缺乏时间维度的建模能力，难以捕捉调控关系的动态演变规律。

这些挑战严重制约了科学家们对复杂生物系统的深入理解，也阻碍了相关研究成果向临床应用的转化。

近日，国科大杭州高等研究院（以下简称杭高院）生命与健康科学学院 / 上海交通大学 陈洛南 教授和 刘小平 教授作为共同通讯在 Research 在线发表题为Constructing Cell-Specific Causal Networks of Individual Cells for Depicting Dynamical Biological Processes的研究论文。该研究提出了一种名为SiCNet的新型单细胞因果网络构建方法。该方法通过整合单细胞转录组数据和因果推断策略，精准识别单个细胞中基因间的因果关系，突破了传统方法仅能分析细胞群体水平的局限，为解析细胞异质性、癌症进展和细胞重编程等复杂生物学过程提供了新工具。

研究进展： SiCNet 方法的三 个 创新

1.方法学创新：从理论到算法的创新

双步建模策略：

第一步：利用参考数据集构建初始因果网络作为基准。研究采用 5 折交叉验证的线性回归模型，通过比较包含 / 排除潜在调控因子时的预测误差，计算因果强度指数（ CSI ）。

第二步：将参考网络适配到单个细胞，通过分析特定细胞中基因表达模式的变化，推断细胞特异的调控关系。

网络量化表征：

创新性地提出网络出度矩阵（ ODM ）的概念，将复杂的调控网络信息转化为数值矩阵。 ODM 的每个元素代表特定基因在单个细胞中的调控活性强度（即调控下游靶基因的数量）。这种转换使得网络特征可以直接应用于各种单细胞分析流程。

性能验证：

在 5 个公开 scRNA -seq 基准 数据集上的测试表明， ODM 的聚类性能显著优于传统基因表达矩阵（ GEM ）。

2.应用SiCNet方法，研究团队在多个重要生物学问题上取得了新发现：

结直肠癌进展机制：

通过 分析了 6,168 个上皮细胞的单细胞数据，涵盖健康组织 区域 、肿瘤交界区和肿瘤核心区。 S iCNet 鉴定出 26 个在肿瘤进展中调控活性显著增强的关键因子，包括 ABL1 、 NCOA1 等。 此外， SiCNet 发现 133 条显著上调的调控关系，如 ABL1 → RAC3 等，这些关系与肿瘤细胞的化疗抗性和干性维持密切相关。通路分析显示这些因子富集在 PPAR 信号通路、胰岛素抵抗等代谢相关通路，为结直肠癌的代谢重编程提供了新证据。

细胞重编程动态调控：

SiCNet 成功 绘制了小鼠成纤维细胞（ MEF ）诱导多能干细胞（ iPSC ）的全过程调控图谱。 SiCNet 发现重编程过程存在两个关键转折点：第一个转折点（ C2 簇）以细胞周期相关基因（ Ccna2 、 Cdca8 等）激活为特征；第二个转折点（ C0 簇）则出现向多能性（ C5 簇）和中间状态（ C1 簇）的分化。鉴定出各阶段特异性调控因子，如起始阶段的 Hoxb4 、 Hoxb7 ，以及多能性阶段的 Stat5a 、 Smad3 等。

造血发育调控网络：

在人类骨髓单核细胞数据中， SiCNet 成功重建了 B 细胞、单核细胞和红细胞三大谱系的发育轨迹 吗， 发现不同谱系特异的调控模式： B 细胞谱系中 CD74 、 IRF3 等因子呈现渐进性激活；单核细胞谱系中 CEBPB 、 TRAF3 等调控因子持续上调；红细胞谱系则依赖 KIT 、 FGF2 等因子的阶段特异性激活。特别 地， SiCNet 发现趋化因子 CCL2 在红细胞发育中的潜在新功能，为贫血等血液疾病研究提供了新线索。

3.技术优势：建立单细胞网络分析新方法

与传统方法相比， SiCNet 展现出多方面的显著优势：

· 单细胞分辨率：能够检测稀有细胞亚群的特异调控模式，克服了群体平均方法的局限性。

· 因果推断：通过严格的统计检验区分因果关系和相关关系，显著降低假阳性发现。

· 动态过程解析：可以捕捉调控关系的时序变化，适用于发育、分化等过程研究。

· 计算效率： ODM 转换使得网络分析可以沿用现有单细胞分析流程，大大降低了使用门槛。

综上，这项研究报道的 SiCNet 能更精准识别生物过程中地关键调控基因，揭示动态过程中的调控机制。 该方法不仅适用于单细胞转录组数据，还可扩展至空间转录组学等领域，为精准医学、药物开发和合成生物学研究提供了 新 工具。

杭高院 2022 级博士研究生黄忻哲为本论文第一作者，陈洛南教授和刘小平教授为共同通讯作者。

论文链接：https://spj.science.org/doi/10.34133/research.0743

Github链接：https://github.com/Huang-XZ-Sandy/SiCNet

制版人：十一

BioArt

Med

Plants

人才招聘

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。