神經科學 · global
平均表現量之外:研究找出阿茲海默症被漏看的27組基因與細胞線索
分析627名捐贈者的腦細胞核,TriSCOPE結合機器學習與遺傳證據,找出傳統方法未辨識的疾病訊號。這份候選清單能引導機制研究,距離個人診斷仍有明確界線。
尋找阿茲海默症的分子線索,研究者常比較患者與對照組的基因表現,看看哪些基因變得更活躍、哪些趨於沉寂。然而,一個基因的平均表現量沒有明顯改變,不代表它與疾病無關。11月9日刊於《Nature Communications》的研究,透過多種分析交叉比對,找出27組具有遺傳證據支持、卻未被傳統差異表現分析辨識的「基因—細胞類型」配對。
研究採用名為TriSCOPE的架構,涵蓋六個單細胞核RNA定序資料集,合計約420萬個細胞核、627名捐贈者,分析六大腦細胞類型與41個細胞亞群。這些資料全來自背外側前額葉皮質;龐大的細胞數讓研究能細看不同細胞狀態,但其涵蓋範圍仍集中於單一腦區。
TriSCOPE把三條分析路徑放在一起:同時考量多個基因的機器學習模型、納入捐贈者差異的基因表現比較,以及依表現模式推估細胞狀態的「偽時間」分析。其用意是找出單獨檢驗時不突出、放進其他基因與年齡、性別、APOE基因型等背景後,仍能提供疾病相關資訊的訊號。
接著,研究團隊比對阿茲海默症風險與基因表現調控的遺傳訊號,檢查兩者是否可能共享同一遺傳變異。27組配對因此取得額外支持,包括小膠質細胞中的JAZF1與SYK;它們在模型中具有資訊價值,卻未達差異表現的顯著門檻。這使候選機制更值得追查,但共享遺傳訊號本身,仍不能證明某個基因直接造成疾病。
驗證方面,ARL17B、LINGO1與APOE等關鍵候選訊號在獨立隊列中重現,並非只出現在最初資料裡;這也不等於27組配對都已逐一獲得相同程度的確認。研究另發現,與認知受損相關的表現模式,和與腦內病理變化相關的模式並不完全一致,提醒研究者:解釋認知功能與解釋病理累積,可能需要不同的分子線索。
團隊也公開分析程式,涵蓋預測建模、差異表現、偽時間推估及遺傳共定位流程。程式庫記載,預測模型使用五次隨機資料切分,軌跡分析採七個隨機種子,並附上合成的小膠質細胞表現資料與預期輸出,讓其他研究者即使尚未取得受管制的人體資料,也能先測試預測流程;這類示範有助檢查方法,不能取代真實隊列的生物學驗證。
這項工作的實際用途,是縮小後續實驗需要追查的候選範圍。由於分析依據死後腦組織的橫斷面資料,即使偽時間呈現出狀態排列,也不能當作同一個人病程的實際紀錄。目前仍無法判定這些訊號出現在發病之前,或是疾病造成的後續反應,更不能據此預測個人的未來病程。要把候選清單推進為治療標的,還需要功能實驗與更能辨識時間先後的研究。