为充分理解组织中单细胞的基因表达调控，需要在单细胞水平以空间分辨率的方式集成不同分子信息的不同层面，包括表观基因组和转录组数据。虽然单细胞多组学方法可以捕捉来自不同分子层的信息，但是空间组学方法到目前为止主要局限于一层分子。张等人 (Spatial epigenome–transcriptome co-profiling of mammalian tissues)在 Nature 上介绍了两种用于单细胞分辨率的空间定位共同绘制表观遗传组和转录组。他们将这些技术应用于小鼠和人类脑组织中，展示了其在理解复杂组织基因调控方面的潜力。
利用Zhang等人的方法进行表观基因组分析，通过ATAC-seq测量染色质可及性，或通过CUT&Tag（针对靶标的剪切和标记法）测量组蛋白修饰。ATAC-seq或CUT&Tag与RNA测序（RNA-seq）以空间分辨率的方式相结合，发展出空间ATAC-RNA-seq和空间CUT&Tag-RNA-seq的新技术。通过使用两个相互垂直的微流控通道阵列芯片，在同一组织切片上进行表观基因组和转录组分析的共同编码，创建一个二维网格的空间编码组织像素。
对小鼠胚胎第13天（E13）的空间ATAC-RNA-seq分析（像素大小为50μm，每个像素平均包含25个细胞）确定了8个主要的ATAC聚类和14个RNA聚类，它们的空间分布与组织组织学一致。例如，ATAC聚类A3代表胚胎眼，其在眼睛发育中发挥关键作用的基因Six6位点的染色质开放。空间ATAC和RNA数据与ENCODE参考数据一致，并且都与已发表的单细胞RNA-seq（scRNA-seq）数据单独集成，以将细胞类型分配给每个聚类。可以从染色质可及性推断出每个聚类的特定细胞类型标记基因的表达情况；例如，在胚胎眼区域，Six6和Sox2（参与视神经形成）的基因活性分数最高。同样，RNA聚类与特定标记基因相关，例如在聚类R10中与胚胎眼相关的Six6。重要的是，相应的ATAC和RNA聚类中可以识别相同的细胞类型。此外，空间ATAC和RNA数据的联合聚类识别出一个单独的新的神经元聚类，这是单一模式下无法解析的。
这项技术可以在像单细胞分辨率一样的水平上，通过将可访问的染色质峰与表达基因进行基于每个像素的相关性分析，从而有潜力解析转录调控。虽然在某些组织区域中染色质可及性与基因表达相关，但其他组织区域具有高度可及的基因组位点但RNA表达水平很低，这可能表明了细胞正要经历分化。通过伪时分析探究胚胎大脑发育过程中基因表达的时序调控，将染色质可及性和基因表达沿着发育轨迹进行映射。在发育过程中，与祖细胞维持相关的基因失去染色质可及性，随后在RNA水平下调；而与神经元身份有关的基因在早期阶段具有可访问的染色质（提示了分化准备），在RNA水平上表达。在整个发育过程中，一些特征为寡突胶质前体细胞的基因仍然可访问，表明神经细胞在大脑发育的后期阶段仍保留着一些寡突胶质细胞的潜力。
这种空间 ATAC-RNA-seq 技术对于鼠标出生后第22天（P22）的大脑也表现出了其识别基因调控机制的能力（像素大小为20μm，每个像素平均1-3个细胞）。与E13相比，P22的小鼠大脑具有更高数量的ATAC簇（14）而不是RNA簇（11），这表明大多数细胞类型已经达到末分化阶段。联合分析ATAC和RNA，可以同时分析染色质可及性、基因表达和转录因子基序富集。
P22小鼠大脑还通过H3K27me3（抑制性）、H3K27ac（激活性）和H3K4me3（活性）组蛋白标记进行了空间CUT&Tag-RNA测序分析；CUT&Tag聚类与RNA聚类和组织组学呈良好的空间一致性。分析揭示了与特定细胞类型相关的区域特异性标记基因的修饰。例如，在富含少突胶质细胞的胼胝体中，与少突胶质细胞分化相关的基因具有高的RNA表达和低的H3K27me3，而与神经元进程相关的基因具有低的RNA表达和高的H3K27me3。总体上，H3K27me3和RNA呈负相关，但在某些组织中存在例外情况，表明其他机制可能涉及某些基因的转录抑制，而一些基因处于转录准备状态。RNA表达、H3K4me3或H3K27ac标记以及染色质可及性之间有着牢固的相关性。
分析小鼠组织表明，空间表观基因组-转录组联合分析揭示了空间单组学方法无法达到的关于基因调控的新见解。该方法在人类成年大脑组织中也得到了进一步的验证。
未来，结合其他组学技术，如蛋白质组学，将进一步提高该方法的精准性。
阅读原文内容：
https://www.nature.com/articles/s41576-023-00596-8?utm_source=nrg_etoc&utm_medium=email&utm_campaign=toc_41576_24_5&utm_content=20230419
往期精品(点击图片直达文字对应教程)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
机器学习
后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集
