Genome Biol | 徐鹏/孔艺萌团队开发单细胞衰老检测新工具ICE，破解微弱信号识别难题

衰老是一个复杂的多因素过程，在细胞水平上表现为细胞衰老：一种不可逆的细胞周期停滞状态【1, 2】 。尽管单细胞转录组测序技术的发展为高分辨率解析细胞异质性提供了可能，但由于经典的衰老标志物（如p16、p21等）通常表达水平低，且受限于单细胞测序固有的数据丢失和技术噪声，在单细胞数据中精准识别衰老细胞一直面临巨大挑战。现有的基因集评分方法在处理这些微弱信号时往往精度不足。

近日，东南大学医学院/附属中大医院/生命健康高等研究院徐鹏和孔艺萌团队在Genome Biology杂志上发表了题为：ICE: robust detection of cellular senescence from weak single-cell signatures using imputation-based marker refinement的一项研究，开发了一种名为ICE的计算框架。该研究通过整合表达插补与标记基因优化策略，显著提升了从单细胞数据中识别微弱衰老信号的灵敏度与特异性，并利用该工具揭示了胰岛β细胞和阿尔茨海默病小胶质细胞中特定的衰老亚群及其潜在机制。

研究人员首先在泛组织水平上考察了衰老基因的表达模式，发现衰老相关基因在多种人体组织中呈现出普遍的低表达特征。在单细胞水平上，无论是癌基因诱导还是复制性衰老的标志物，其检出率均显著低于常规细胞类型标记物，这意味着直接使用传统的基因集评分方法很难有效区分衰老细胞。

针对这一难题，研究团队开发了ICE算法。该算法的核心策略在于“先插补，后优化”：首先对零膨胀的单细胞数据进行降噪和插补，恢复丢失的基因表达信号；随后基于增强的信号计算富集分数并确定最佳分类阈值；最后利用初步分类结果进行差异表达分析，迭代优化标记基因集，进一步提高检测的鲁棒性。

研究人员利用包含基准真值的胰岛单细胞数据集对ICE进行了严格的测试。在检测胰岛α细胞时，当仅使用10个微弱标记基因的情况下，传统的GSEA【3】方法仅能识别出约55.6%的真实α细胞，而ICE的识别精度高达98.1%，且误差率从44.4%显著降低至1.9%。在受试者工作特征曲线分析中，ICE的曲线下面积超过0.99，显著优于AUCell【4】 、UCell【5】、GSVA【6】等其他六种主流方法。这种优势在胰岛β细胞、γ细胞以及大脑中的各类神经元和胶质细胞中均得到了验证。

除了方法学上的创新，该研究还展示了ICE在解析人类衰老异质性方面的应用潜力。在骨骼肌纤维-脂肪祖细胞中，ICE利用通用的SenMayo衰老标记集【7】 ，成功识别出一群主要存在于老年供体中的衰老细胞。与现有工具相比，ICE识别的这些细胞表现出更显著的衰老相关分泌表型（SASP）基因高表达特征，如IL6和CXCL8，这与肌肉萎缩和纤维化的病理机制密切相关。

进一步地，研究团队利用ICE深入探索了胰岛β细胞和阿尔茨海默病小胶质细胞中的衰老亚群。在胰岛β细胞中，ICE识别出一群高表达ATF3的细胞亚群，这群细胞表现出未折叠蛋白反应通路的激活，并伴随促凋亡基因DDIT3的上调，提示其可能代表了衰老过程中处于慢性内质网应激状态的细胞群体【8】 。

在阿尔茨海默病患者的大脑样本中，ICE发现了一类高表达MX1的小胶质细胞亚群，这类细胞表现出I型干扰素信号通路的显著激活。分析显示，MX1的表达水平与阿尔茨海默病的病理进程呈正相关，提示这类干扰素反应性小胶质细胞可能通过介导神经炎症参与了疾病的病理进展【9】。

综上所述，该研究提出了针对微弱信号优化的单细胞衰老检测工具ICE。通过克服单细胞测序数据中的信号丢失和噪声问题，ICE不仅实现了对衰老细胞的精准识别，还揭示了不同组织和疾病背景下衰老状态的高度异质性。这一工具为深入研究衰老的时空动态及其在病理条件下的作用提供了强有力的技术支持。

东南大学医学院/附属中大医院/生命健康高等研究院徐鹏研究员为该论文的第一兼通讯作者，孔艺萌教授为该论文的共同通讯作者，博士生张涵韬为该论文的共同第一作者。

制版人：十一

参考文献

1.Lopez-Otin C, Blasco MA, Partridge L, Serrano M, Kroemer G: Hallmarks of aging: An expanding universe.Cell2023, 186:243-278.

2.Cai Y, Song W, Li J, Jing Y, Liang C, Zhang L, Zhang X, Zhang W, Liu B, An Y, et al: The landscape of aging.Sci China Life Sci2022, 65:2354-2454.

3.Subramanian A, Tamayo P, Mootha VK, Mukherjee S, Ebert BL, Gillette MA, Paulovich A, Pomeroy SL, Golub TR, Lander ES, Mesirov JP: Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles.Proceedings of the National Academy of Sciences2005, 102:15545-15550.

4.Aibar S, Gonzalez-Blas CB, Moerman T, Huynh-Thu VA, Imrichova H, Hulselmans G, Rambow F, Marine JC, Geurts P, Aerts J, et al: SCENIC: single-cell regulatory network inference and clustering.Nat Methods2017, 14:1083-1086.

5.Andreatta M, Carmona SJ: UCell: Robust and scalable single-cell gene signature scoring.Comput Struct Biotechnol J2021, 19:3796-3798.

6.Hänzelmann S, Castelo R, Guinney J: GSVA: gene set variation analysis for microarray and RNA-seq data.BMC Bioinformatics2013, 14:7.

7.Saul D, Kosinsky RL, Atkinson EJ, Doolittle ML, Zhang X, LeBrasseur NK, Pignolo RJ, Robbins PD, Niedernhofer LJ, Ikeno Y, et al: A new gene set identifies senescent cells and predicts senescence-associated pathways across tissues.Nat Commun2022, 13:4827.

8.Yong J, Parekh VS, Reilly SM, Nayak J, Chen Z, Lebeaupin C, Jang I, Zhang J, Prakash TP, Sun H, et al: Chop/Ddit3 depletion in beta cells alleviates ER stress and corrects hepatic steatosis in mice.Sci Transl Med2021, 13.

9.Roy ER, Chiu G, Li S, Propson NE, Kanchi R, Wang B, Coarfa C, Zheng H, Cao W: Concerted type I interferon signaling in microglia and neural cells promotes memory impairment associated with amyloid beta plaques.Immunity2022, 55:879-894 e876.

BioArt

Med

Plants

人才招聘

学术合作组织

（*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。