基于单细胞基因组学的精神疾病网络药物重定位研究揭示细胞类型特异性治疗新策略

　　本研究针对精神疾病缺乏有效治疗手段的难题，整合PsychENCODE2单细胞多组学数据，构建了23种脑细胞类型的基因调控网络，通过图神经网络预测了249个新型风险基因，并筛选出220种具有潜力的重定位药物，其中37种可逆转疾病相关转录表型。研究还发现335个药物-细胞eQTLs，为精神分裂症、双相障碍和自闭症谱系障碍的精准治疗提供了重要资源。

　　

神经精神疾病如精神分裂症(SCZ)、双相障碍(BPD)和自闭症谱系障碍(ASD)是复杂的脑部疾病，由于基因调控的复杂性和细胞异质性，目前缺乏有效的治疗手段。传统的基于整体组织(bulk tissue)的研究方法无法解析特定细胞类型的分子机制，而单细胞多组学技术的发展为在细胞水平上分析表观基因组和转录组失调状态提供了新的机遇。

PsychENCODE联盟第二阶段(PEC2)研究产生了来自388个人类大脑前额叶皮层的单细胞测序数据，包括单核RNA测序(snRNA-seq)、单核ATAC测序(snATAC-seq)和单核多组学(snMultiome)数据，共计超过280万个细胞核，涵盖28种不同的脑细胞类型。这个统一处理的数据集为研究神经精神疾病提供了宝贵的资源，但在原始PEC2工作中尚未探索跨疾病的基因调控网络(GRN)比较。

为了填补这一空白，Chirag Gupta等研究人员在《Cell Genomics》上发表了最新研究成果。他们整合了snRNA-seq和snATAC-seq数据，预测了ASD、SCZ和BPD以及相应健康对照个体的细胞类型特异性GRNs。研究团队开发了一个网络医学框架，用于识别可药物化的转录因子(TFs)和重定位药物候选物，并探索了遗传变异对药物靶点表达的影响。

研究人员主要采用了以下几种关键技术方法：利用PsychENCODE2提供的来自140名确诊个体和107名年龄匹配对照的单细胞多组学数据；使用GRNBoost2和SCENIC算法构建细胞类型特异性基因调控网络；应用图卷积网络(GCN)预测新型疾病风险基因；采用网络邻近性分析方法筛选重定位药物；通过药物-细胞eQTL分析探索遗传变异对药物靶点表达的影响。

细胞类型基因调控网络构建揭示精神疾病中的可药物化转录因子

研究人员整合了snATAC-seq和snRNA-seq数据，在ASD、SCZ和BPD以及相应的健康对照个体中预测了细胞类型GRNs。通过基于snRNA-seq数据中观察到的共表达强度将TFs与其潜在靶基因连接起来，识别了近端连接；同时通过snATAC-seq数据中相互作用的增强子和启动子连接TFs，推导出远端连接。

研究预测了8种主要细胞类型和23个亚类的GRNs，共推断出69个GRNs，平均包含142个TFs和5,000个靶基因，通过平均5,840个近端和800个远端连接相连。研究发现，与其他两种疾病相比，ASD个体的抑制性神经元细胞中远端调节的药物靶点相对过度富集。

研究人员发现了TFs调控子在疾病之间存在广泛的重连。例如，神经活动关键调节因子FOS TF在不同疾病中表现出增强子和启动子的差异使用。研究生成了一个细胞类型和疾病特异性枢纽(TFs具有不成比例的大量靶点)和瓶颈(充当桥梁的TFs)列表。

研究人员开发了疾病影响(DI)评分来比较TFs在健康与疾病网络中的中心性得分，揭示了GRNs中不同的细胞类型特异性模式。研究发现，在ASD和BPD中，兴奋性神经元是DI得分最高的细胞类型，而在SCZ中，小胶质细胞表现出跨TFs的最高DI得分，表明该细胞类型内调控动态发生了重大转变。

疾病风险基因汇聚于共调节基因模块

研究人员将定向的细胞类型GRNs转换为无向共调节网络，连接具有高度调节因子重叠的靶基因对，然后将这些网络聚类以获得高度共调节基因的模块，跨细胞类型和疾病网络产生了超过4,000个密集模块。

使用标准化互信息(NMI)评估这些基因模块在控制和疾病网络之间的保存情况，发现了不同的细胞类型特异性模式。例如，抑制性神经元中的模块在ASD和SCZ中保持相对不变，但在BPD中表现出剧烈变化，而SCZ最干扰兴奋性神经元。

研究人员发现了几种ASD小胶质细胞模块显著富集与BPD、SCZ和癫痫相关的SNPs，表明多种精神疾病的遗传风险因素汇聚到共同的分子模块中，暗示了潜在的共享分子机制。

图神经网络预测新型细胞类型疾病基因

研究人员使用监督图卷积网络(GCN)在细胞类型特异性疾病GRNs上训练，其中基因表示为节点，已知风险基因被标记。GCN结合图卷积和全连接层生成每个基因的嵌入，并将基因分类为风险或非风险基因。

研究训练了两种模型：模型1仅使用已知疾病基因训练，模型2结合了来自上述模块的基因。模型2在24种主要细胞类型中的21种情况下表现出比模型1更高的精确回忆曲线下面积(AUPRC)，亚类也显示出类似模式。

研究人员使用训练好的模型预测了新基因，通过平均跨所有GRNs的基因优先级，对与ASD、BPD和SCZ相关的基因进行排序。研究发现249个基因在一个或多个调查疾病中未被正面标记，包括CTNND2、STXBP5和SLC6A15等有前景的候选基因。

基于网络的药物重定位

研究人员从公共来源收集了血脑屏障(BBB)渗透药物-靶点网络，包含802个药物分子靶向1,192个基因。利用细胞类型共调节网络和GNN模型预测的风险基因，进行基于网络的药物重定位。

研究计算了药物靶点集与风险基因集之间在给定细胞类型共调节网络内需要遍历的最小边数，假设如果药物靶点与疾病基因之间的平均路径长度短且非随机，则该药物可能对疾病通路有直接或接近间接的影响。

应用此程序于所有细胞类型网络和三种疾病，共发现220个分子与预测的疾病风险基因显著接近。SCZ的可重定位药物分布最多，ASD最少。研究发现更多可重定位药物用于更深层兴奋性神经元(L6/IT、L6/CT和L6/IT/Car3)、一些抑制性神经元如SST和LAMP5以及小胶质细胞。

药物-细胞eQTLs

研究人员进行了QTL分析，以确定基因型变异与不同药物靶向基因集表达显著变化相关的案例。使用125个样本规模，对于给定药物，首先确定已知受该药物影响的基因集，然后计算每个供体中药物靶基因在每个细胞类型内的平均表达值。

使用QTLtools进行名义传递模式计算，将每个DrugCell置于22个常染色体人类染色体中，然后在覆盖每个染色体全长的cis窗口内搜索SNPs。使用生物性别、死亡年龄、诊断、队列、5个基因型PCs和5个表达PCs作为协变量，过滤掉次要等位基因频率(MAF)小于0.05的低频变异，共产生1,953,349个SNPs。

研究发现335个显著的药物相关细胞类型eQTLs，这些eQTLs可解释为基因型变异强烈影响药物相关基因集集体表现出强烈关联的情况，强调了药物暴露反应可能在不同样本间存在显著差异，这种变异受到基因型的强烈影响。

综合优先排序可药物化靶点

研究人员对具有模拟器-逆转器关系的药物靶点进行了系统整合，评估每个基因靶点在四个不同分析层面的支持：来自PsychENCODE2 snRNA-seq数据的差异表达状态；评估GWAS信号在疾病相关模块内富集的基因级MAGMA分析；GNN预测的候选风险基因；来自药物-细胞eQTL分析的关联。

按总支持度对基因进行排名，以确定高置信度候选物。排名靠前的基因与已知生物学高度一致，例如BDNF、DRD1、DRD2和GRIK2等，这些得到多个独立分析层支持的基因可能代表强有力的候选物，用于进一步研究和治疗探索。

这项研究展示了单细胞网络医学方法在精神疾病药物发现中的强大潜力。通过整合单细胞多组学数据、构建细胞类型特异性GRNs、预测新型风险基因以及筛选重定位药物，研究为SCZ、BPD和ASD的精准治疗提供了重要资源和新的方向。

研究的优势在于使用了统一处理的单细胞多组学数据，开发了综合的分析流程，并验证了预测结果。然而，研究也存在一些局限性，如LINCS数据集使用永生细胞系和短期基因表达测量的预测能力有限，缺乏剂量依赖性考虑，以及未能整合来自相同个体的药效学或药代动力学反应数据。

未来研究需要进一步验证预测结果，整合基因型与临床药物反应数据，并与真实世界药物性能进行比较。这项工作为精神疾病的细胞感知药物重定位提供了宝贵框架，有望推动精准精神病学的发展。