Genome Biol | 徐鵬/孔藝萌團隊開發單細胞衰老檢測新工具ICE，破解微弱信號識別難題

衰老是一個復雜的多因素過程，在細胞水平上表現為細胞衰老：一種不可逆的細胞周期停滯狀態【1, 2】 。盡管單細胞轉錄組測序技術的發展為高分辨率解析細胞異質性提供了可能，但由于經典的衰老標志物（如p16、p21等）通常表達水平低，且受限于單細胞測序固有的數據丟失和技術噪聲，在單細胞數據中精準識別衰老細胞一直面臨巨大挑戰。現有的基因集評分方法在處理這些微弱信號時往往精度不足。

近日，東南大學醫學院/附屬中大醫院/生命健康高等研究院徐鵬和孔藝萌團隊在Genome Biology雜志上發表了題為：ICE: robust detection of cellular senescence from weak single-cell signatures using imputation-based marker refinement的一項研究，開發了一種名為ICE的計算框架。該研究通過整合表達插補與標記基因優化策略，顯著提升了從單細胞數據中識別微弱衰老信號的靈敏度與特異性，并利用該工具揭示了胰島β細胞和阿爾茨海默病小膠質細胞中特定的衰老亞群及其潛在機制。

研究人員首先在泛組織水平上考察了衰老基因的表達模式，發現衰老相關基因在多種人體組織中呈現出普遍的低表達特征。在單細胞水平上，無論是癌基因誘導還是復制性衰老的標志物，其檢出率均顯著低于常規細胞類型標記物，這意味著直接使用傳統的基因集評分方法很難有效區分衰老細胞。

針對這一難題，研究團隊開發了ICE算法。該算法的核心策略在于“先插補，后優化”：首先對零膨脹的單細胞數據進行降噪和插補，恢復丟失的基因表達信號；隨后基于增強的信號計算富集分數并確定最佳分類閾值；最后利用初步分類結果進行差異表達分析，迭代優化標記基因集，進一步提高檢測的魯棒性。

研究人員利用包含基準真值的胰島單細胞數據集對ICE進行了嚴格的測試。在檢測胰島α細胞時，當僅使用10個微弱標記基因的情況下，傳統的GSEA【3】方法僅能識別出約55.6%的真實α細胞，而ICE的識別精度高達98.1%，且誤差率從44.4%顯著降低至1.9%。在受試者工作特征曲線分析中，ICE的曲線下面積超過0.99，顯著優于AUCell【4】 、UCell【5】、GSVA【6】等其他六種主流方法。這種優勢在胰島β細胞、γ細胞以及大腦中的各類神經元和膠質細胞中均得到了驗證。

除了方法學上的創新，該研究還展示了ICE在解析人類衰老異質性方面的應用潛力。在骨骼肌纖維-脂肪祖細胞中，ICE利用通用的SenMayo衰老標記集【7】 ，成功識別出一群主要存在于老年供體中的衰老細胞。與現有工具相比，ICE識別的這些細胞表現出更顯著的衰老相關分泌表型（SASP）基因高表達特征，如IL6和CXCL8，這與肌肉萎縮和纖維化的病理機制密切相關。

進一步地，研究團隊利用ICE深入探索了胰島β細胞和阿爾茨海默病小膠質細胞中的衰老亞群。在胰島β細胞中，ICE識別出一群高表達ATF3的細胞亞群，這群細胞表現出未折疊蛋白反應通路的激活，并伴隨促凋亡基因DDIT3的上調，提示其可能代表了衰老過程中處于慢性內質網應激狀態的細胞群體【8】 。

在阿爾茨海默病患者的大腦樣本中，ICE發現了一類高表達MX1的小膠質細胞亞群，這類細胞表現出I型干擾素信號通路的顯著激活。分析顯示，MX1的表達水平與阿爾茨海默病的病理進程呈正相關，提示這類干擾素反應性小膠質細胞可能通過介導神經炎癥參與了疾病的病理進展【9】。

綜上所述，該研究提出了針對微弱信號優化的單細胞衰老檢測工具ICE。通過克服單細胞測序數據中的信號丟失和噪聲問題，ICE不僅實現了對衰老細胞的精準識別，還揭示了不同組織和疾病背景下衰老狀態的高度異質性。這一工具為深入研究衰老的時空動態及其在病理條件下的作用提供了強有力的技術支持。

東南大學醫學院/附屬中大醫院/生命健康高等研究院徐鵬研究員為該論文的第一兼通訊作者，孔藝萌教授為該論文的共同通訊作者，博士生張涵韜為該論文的共同第一作者。

制版人：十一

參考文獻

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.H?nzelmann 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

學術合作組織

（*排名不分先后）

轉載須知

【非原創文章】本文著作權歸文章作者所有，歡迎個人轉發分享，未經作者的允許禁止轉載，作者擁有所有法定權利，違者必究。