舟山市网站建设_网站建设公司_Python_seo优化

介绍

转录多样性（包括剪接和不同的 3’ 端使用方式）对于细胞的特性和适应能力至关重要，但其空间协调机制却尚未得到充分理解。在此，我们提出了 SPLISOSM（空间异构体统计建模）这一方法，用于从空间转录组学数据中检测异构体分辨模式。SPLISOSM 采用多元检验和非参数核方法来考虑斑点级别和异构体级别的相关性，从而在稀疏数据上实现了高统计效力。在小鼠大脑中，我们识别出了超过 1000 个空间变化的转录多样性事件，这些事件主要出现在与神经精神疾病相关的突触信号通路中，并揭示了与区域特异性 RNA 结合蛋白相关的既有的和未知的调控关系。我们还表明，这些模式在小鼠和人类前额叶皮质之间具有进化上的保守性。对人类胶质母细胞瘤的分析突显了在与特定微环境条件相关的抗原呈递和黏附基因中普遍存在的转录多样性。总之，我们提供了在正常和肿瘤条件下大脑中全面的空间剪接分析。

几乎所有人类基因都会经历有条不紊的前体信使 RNA（pre-mRNA）加工过程，并且这一过程具有精确的时空调控机制1,2。大脑的转录多样性尤为显著3，在这里，区域特异性表达的 RNA 结合蛋白（RBPs）驱动了特定的局部转录景观，这些景观控制着神经发生4，5 和突触可塑性6,7。这种微妙的调控平衡的破坏会导致众多神经系统疾病8,9,10 以及癌症的发展11,12,13。尽管其至关重要，但我们对于组织内 RNA 异构体的空间组织方式的理解仍然有限。
现代空间转录组学（ST）平台自然能够提供一些特定于不同转录本的信息，无论是通过短读长（SR）方法中的 3’ 片段 14、15、16、长读长测序中的完整转录本 17、18 还是成像平台中的外显子探针 19、20（图 1a）。尽管如此，大多数 ST 分析流程仍将表达量汇总到基因层面，从而忽略了丰富的转录本信息。很少有计算方法 21、22、23 能够检测转录本分布的空间模式，这在我们对分子复杂性及其在塑造组织结构过程中的调控的理解方面造成了显著的差距。分析空间转录本模式面临若干严峻挑战（图 1b）。首先，来自同一基因的转录本相互依赖，其表达受到总转录前 mRNA 的限制。这种多变量和组合性质使标准的基因表达分析方法失效。早期的尝试要么不恰当地将转录本视为独立的 18 ，要么依赖于过于简化的单变量指标 21、22 ，这极大地削弱了统计效力（补充说明）。其次，数据稀疏性——在单细胞测序中就已经是个问题——在亚型层面会因将基因计数细分为多个转录本而变得更加严重。区域表达差异可能导致许多位置的总唯一分子标识符（UMI）计数为零，从而使亚型比例无法确定。即使检测到这些比例，它们也常常表现为二元形式，尽管它们代表的是连续的生物学偏好24，25，这使得诸如对数比例转换等操作变得复杂。常见的解决方法，如伪计数，会引入额外的偏差，从而扭曲观测值之间的关系26。最后，空间自相关违反了大多数差异关联测试所依赖的独立观测假设，从而从虚假关联中产生错误的阳性结果，这些虚假关联仅仅反映了在空间坐标上的相互依赖性。
为应对这些挑战，我们提出了 SPLISOSM（空间异构体统计建模）这一方法，用于分析 ST 数据中的异构体使用情况。在成年小鼠和人类大脑的多个数据集上，我们发现了数千个具有空间变化处理的基因。为了揭示调控机制，我们测试了异构体比例与潜在调节因子（如 RNA 本体蛋白）之间的条件关联，证实了已知的联系，并发现了区域特异性调控。最后，我们将分析扩展到胶质母细胞瘤队列中，揭示了转录多样性如何受到正常大脑结构和肿瘤微环境中的疾病特异性改变的影响。

代码

https://github.com/JiayuSuPKU/SPLISOSM

参考

• Mapping isoforms and regulatory mechanisms from spatial transcriptomics data with SPLISOSM
• https://github.com/JiayuSuPKU/SPLISOSM