博文

SiCNet：构建细胞特异性因果网络以描绘动态生物过程

已有 748 次阅读 2025-8-17 18:36 |个人分类:科普|系统分类:科普集锦

SiCNet：构建细胞特异性因果网络以描绘动态生物过程

单细胞 RNA 测序（scRNA-seq）技术通过提供单细胞水平的高分辨率、大规模转录组数据，彻底改变了分子生物学研究。借助这项技术，研究人员能够识别组织中的稀有或新型细胞类型，研究细胞分化，并利用计算方法揭示疾病背后的分子机制。许多生物学过程，如转录调控和表观遗传修饰，涉及转录产物和调控元件之间的分子相互作用。在单细胞水平上解析这些复杂的调控关系，对于理解细胞异质性和揭示生物学功能及疾病进展的潜在机制至关重要。因果关系是分子生物学研究的核心，它对于理解生物学过程的潜在机制至关重要。与相关性不同，因果关系能够区分哪个基因是原因，哪个基因是结果。通常，原因基因被定义为调控基因，而效应基因被定义为靶基因。这在理解疾病机制、识别药物靶点和重建基因调控网络（GRN）方面尤为重要。通过关注因果关系，研究人员可以开发更精确的治疗方法，更深入地了解生物系统，并推动合成生物学和个性化医学等领域的进步。

GRN的推断已成为阐明生物系统中分子因果关系的关键方法之一。目前大多数用于单细胞数据的 GRN 推断方法，如 GENIE3、GRNBoost2和 PIDC，仅能构建细胞类型层面的 GRN，而非单个细胞层面的 GRN。这些方法未能考虑群体中单个细胞之间的异质性。最近，提出了 SSN和 PSSN等方法来为单个细胞构建相关性网络。然而，这些方法主要关注基因之间的相关性，可能遗漏因果关系和更复杂的调控相互作用。

最近，Huang等人提出了一种构建单个细胞因果网络的新方法，称为单细胞特异性因果网络（SiCNet，图1，https://github.com/Huang-XZ-Sandy/SiCNet），以应对从单细胞表达谱中推断因果关系这一挑战。通过结合基于因果推理的统计概念 CVP，作者们将这一因果推理框架应用于构建细胞特异性因果网络。通过分析细胞特异性因果网络，可以识别癌症背景下的关键调控因子和潜在的调控关系，为癌症进展提供启示。此外，通过整合这些细胞特异性因果网络，可以表示单个样本的状态，并通过计算动态网络生物标志物（DNB）分数来检测关键状态。此外，在细胞重编程和细胞分化过程中的动态调控机制中，提供了与重编程效率和造血特异性相关的因素见解。

图1 SiCNet 框架概述。(A) SiCNet 方法以参考 scRNA-seq 数据和目标 scRNA-seq 数据，以及蛋白质-蛋白质相互作用（PPI）信息作为输入。它生成每个细胞的因果网络集作为输出。(B) 推断初始参考因果网络的框架。(C) 预测单细胞特异性因果网络的框架。(D) 生成的细胞特异性网络用于下游分析，包括聚类、识别关键调节因子和发现活跃调控因子的模式

参考文献

[1] Huang X, Chen L, Liu X. Constructing Cell-Specific Causal Networks of Individual Cells for Depicting Dynamical Biological Processes. Research. 2025 Jun 27;8:0743. doi: 10.34133/research.0743.

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC