1.新畅游互娱这款游戏可以开挂，确实是有挂的，通过添加客服微信【8700483】

2.在"设置DD功能DD微信手麻工具"里.点击"开启".

3.打开工具加微信【8700483】.在"设置DD新消息提醒"里.前两个选项"设置"和"连接软件"均勾选"开启"(好多人就是这一步忘记做了)

4.打开某一个微信组.点击右上角.往下拉."消息免打扰"选项.勾选"关闭"(也就是要把"群消息的提示保持在开启"的状态.这样才能触系统发底层接口。)

【央视新闻客户端】

转自：生物谷（维权）

文章解读+创新点拓展，为您带来科研新体验～

导读

在生物学研究中，理解细胞间的通信机制对于揭示复杂生物过程至关重要。近日，《Nature Methods》上发表的一项突破性研究《Inferring pattern-driving intercellular flows from single-cell and spatial transcriptomics》引入了一种名为FlowSig的新方法，该方法通过单细胞RNA测序（scRNA-seq）和空间转录组学（ST）数据推断由通信驱动的细胞间信息流。这项技术不仅为科学家们提供了深入洞察细胞内部运作的新视角，也为临床医生带来了探索疾病发生发展机制的新工具。

研究背景

细胞通过生化信号相互交流以组织生物活动，这些时空流动的“因果”关系推动着每一个生物学进程。然而，传统的分析方法往往将细胞间通信视为独立事件，忽略了其与细胞内基因调控模块之间的关联。为了填补这一空白，研究人员开发了FlowSig，这是一种基于图形因果模型和条件独立性的新方法，它能够从scRNA-seq或ST数据中推断出由通信驱动的细胞间信息流。

研究设计与结果

FlowSig的核心在于建模细胞间信息流动，即从流入的细胞间信号到捕捉细胞内调节响应的基因表达模块（gene expression module，GEM），再到流出的细胞间信号。具体而言，FlowSig利用额外的扰动数据和下游转录因子靶点路径知识来学习准确的细胞间流动。当处理难以精确推断配体-受体相互作用的数据时，FlowSig结合“对照vs.扰动”实验提供的信息，使用差异表达分析和条件不变性测试推断最可能驱动细胞间流动的输入输出变量集合。此外，FlowSig还支持从空间转录组学数据直接推断每个空间位置接收到的流入信号量，从而无需额外的扰动数据即可推断细胞间流动。

在验证过程中，研究人员首先使用合成数据集进行测试，确保FlowSig能正确反映数学模型模拟出的细胞间流动特征。随后，他们应用FlowSig分析了新生成的皮质类器官实验数据，展示了该方法捕捉刺激诱导变化、展现因COVID-19严重程度增加而引起的细胞间流动转变以及重建小鼠胚胎发育中形态发生素驱动激活剂-抑制剂模式的能力。

研究者开发了FlowSig模型，用于描绘细胞间信息流动的方向性。该模型包含从流入信号（受体基因表达量与下游转录因子基因集平均表达量的乘积Ri×TFi）到基因表达模块（即细胞成员归属至潜在GEM因子GEMi），再到流出信号（信号配体基因表达Li）的有向边（图1a）。在“对照vs.扰动”实验中，系统可能因外部刺激、疾病或时间变化而改变。FlowSig通过差异表达分析和条件不变性测试，识别出分布显著变化的流入和流出变量，以确定最有可能驱动细胞间流动的因素，从而减少数据生成的所有可能网络的数量，并构建更精确的完全部分有向无环图（completed partial directed acyclic graph，CPDAG）（图1b）。

对于难以准确推断配体-受体相互作用的情况，FlowSig能从空间转录组学数据中更精准地估算每个位置接收到的流入信号量，使得即使没有额外的扰动数据，也能推断细胞间的流动（图1c）。具体来说，FlowSig使用COMMOT推断接收的信号配体量（rec. Li），并结合空间解析的GEM（GEMi），最终关联到流出变量（Li）。

为了验证FlowSig的有效性，研究人员生成了基于数学模型的模拟实验数据集，用以模拟真实的细胞间流动情况。结果表明，FlowSig能够准确恢复预期的细胞间流动网络结构，证明其算法设计合理且可靠。

研究进一步探讨了SHH信号诱导的单向细胞间流动（图2a）及其对组织模式化的影响（图2b），以及SHH与BMP4之间的竞争关系（图2c）。通过量化FlowSig的真阳性率（TPR）和真阴性率（TNR），研究人员发现：在所有场景中（图2d-f），结合受体表达作为信号流入或引入扰动数据并不会改变平均TPR。使用结合受体进行流入测量显著提高了平均TNR，尤其是在复杂的多方向流动模型中，如SHH驱动的模式化以及SHH与BMP4的竞争关系（图2e,f）。

通过条件不变性测试整合扰动数据，可以减少TNR值的变化，包括四分位数范围和异常值，从而获得更精确的细胞间流动估计。这些结果显示，FlowSig有效地减少了基线GSP和UT-IGSP算法推断中的假阳性数量，提升了细胞间流动预测的准确性。

研究者使用皮层发育的类器官模型进一步验证了FlowSig的有效性。从人类胚胎干细胞中生成皮层类器官，并在培养第18天（D18）和第35天（D35）收集样本进行scRNA-seq分析。在该模型中，皮层身份的细胞命运于D18确定，而FGF和BMP信号响应则在D35建立。研究者将D35的数据视为对D18“对照”数据的“扰动”，模拟了这些信号通路的影响。

通过CellChat分析，识别出77个独特的配体-受体相互作用，这些相互作用在细胞间流动中扮演不同角色。FlowSig进一步筛选出26种流入的差异信号（图3a）和16种流出的差异信号（图3b），包括关键的FGF和BMP信号。研究者利用pyLIGER从2,793个高度可变基因中构建了20个GEM，并基于此构建了用于推断细胞间流动的62个变量（图3c）。

为了确定主要驱动因素，研究者根据信号流入变量的总边频次进行了排序，发现FGF、MK（中胚层因子）、PTN（多效生长因子）和NRG（神经调节素）是细胞间流动的关键驱动者。特别是FGF流入通过多个GEM驱动了BMP4、IGF-II、NGF、NRG1和NRG3等信号的流出（图3d）。此外，EOMES被确定为潜在的FGF流入调控候选者。相比之下，BMP流入通过较少的GEM被调节，且可能由PAX6或NR2F1介导（图3e）。

为了验证FlowSig分析结果，研究者在D15-D21期间分别添加FGF8b和BMP4激活相应的信号通路，并在D35时收集样品进行RT-qPCR分析。结果显示，激活FGF信号显著下调了EOMES的表达（图3f），而激活BMP信号则下调了PAX6并上调了NR2F1的表达（图3g），证实了FlowSig预测的准确性。

为了验证FlowSig在恢复由外部扰动驱动的细胞间流动方面的能力，研究者分析了干扰素-γ（IFN-γ）刺激的人胰岛scRNA-seq数据。使用pyLIGER构建了10个GEM，这些模块与独立识别的5个细胞类型簇（alpha、beta1-3和delta）对齐（图4a）。基于这些细胞类型注释，CellChat推断出各细胞组之间显著的成对配体-受体相互作用。

IFN-γ刺激显著改变了多个信号通路的流入量：通过FGFR1增加了FGF信号通路的流入，通过IL-6R和IL-6ST增加了IL-6的流入，通过CD74和CD44增加了MIF的流入，通过NCL增加了MDK的流入，并通过SSTR2增加了SST的流入（图4b）。同时，IFN-γ刺激还影响了流出信号，增加了GCG、INHBA和NAMPT的流出量，减少了ANGPTL2、SPP1、TGFβ1、TNFSF12和UCN3的流出量（图4c）。FlowSig识别出FGF、IL-6、MDK和SST是主要驱动细胞间信息流动的因素，这些信号驱动了GCG、INHBA、NAMPT、SPP1、TGFβ1、TNFSF12和UCN3的流出（图4d）。

为了进一步探索IFN-γ刺激的影响，研究人员将全局细胞间流动网络分为两个子网络：上调子网络：对应于IFN-γ刺激上调的流出信号，连接到这些流出变量的GEM及相关的流入节点（图4e）。下调子网络：对应于IFN-γ下调的流出信号，以类似方式构建（图4f）。

这两个子网络共享相似的流入节点和GEM，但GEM-3仅存在于“上调”网络中，这表明它在IFN-γ刺激下具有专门的作用。GEM-3主要富集在α细胞内，表明刺激驱动了来自α细胞的GCG和NAMPT流出。其他流入信号和GEM则在两种条件下共享，显示了它们的双重调控功能。

为了验证FlowSig处理多个扰动的能力，研究者分析了健康对照组、中度和重度COVID-19患者支气管肺泡灌洗液（BALF）细胞的scRNA-seq数据。使用CellChat结合原始研究中的细胞类型注释，推断出显著的配体-受体相互作用，结果显示健康对照组、中度和重度COVID-19组分别有46个、55个和54个活跃信号通路。

通过pyLIGER构建了20个GEM，这些GEM捕捉了不同条件下的差异（图5a）以及细胞类型间的差异（图5b）。FlowSig识别出每种COVID-19状态相对于健康对照组特有的流入和流出信号变化（图5c）。

为了深入分析这些流出信号驱动的细胞间流动，研究者提取了每个不同流出信号集上游的流入信号及相应的GEM（图5d-f）。尽管随着COVID-19严重程度增加，不同流出信号数量增多，但推断的流入信号数量却从健康对照组的37个减少到中度患者的32个，再到重度患者的25个。类似地，调节性GEM的数量也从健康对照组的16个减少到中度患者的13个，再到重度患者的8个。这表明随着疾病进展，某些特定的细胞间通信路径逐渐丧失。

进一步分析显示，在所有三种条件下共有20个信号流入，而没有发现仅在中度或重度COVID-19中特有的流入信号。TNFRSF12A（由TNFSF12驱动）以及ITGAX和ITGB2 （由C3驱动）的流入信号仅在健康对照组中存在。CAP（来自RETN1）的流入信号则仅在中度和重度COVID-19之间共享（图5g）。

观察到的GEM趋势相似，共享程度最高的GEM是在健康和中度COVID-19群体中的7个GEM，以及在所有三个条件下的5个GEM。GEM-4和GEM-10仅在健康个体中驱动信号流出，而GEM-7（与嗜碱性粒细胞相关）仅在中度和重度COVID-19群体中共享（图5h）。

研究者利用FlowSig对胚胎发育阶段E9.5的鼠胚进行了ST-seq数据分析，揭示了Shh（Sonic Hedgehog）和Wnt5a信号通路之间的复杂双向流动。通过非负空间分解法，研究者从712个空间可变基因中构建了20个高分辨率的空间GEM，这些GEM捕捉了细胞间通信的关键特征（图6a）。

FlowSig识别出多个Shh外流的上游驱动因子，这些因子通过特定的GEM调节Shh外流，并推断出接收的Shh内流（r-Shh）驱动多个信号配体的外流途径，涉及多个GEM（图6c）。为了进一步确定Shh外流的上游调控TF，研究者使用随机森林模型分析了前10个TF的重要性，最终识别出Foxa2、Foxp2、Myc、Zc3h7a和Foxa1为Shh外流的主要上游调控TF（图6d）。

为了识别r-Shh流入的下游靶标，研究者使用pyGAM拟合每个推断出的下游基因表达网络中前10个r-TF的表达与r-Shh流入之间的关系，并根据Spearman相关系数排序。结果显示，Barhl1、Nkx2-1、Meox1、Tcf21和Foxp2与r-Shh的相关性较低，而Foxe1、Nkx2-2、Pou3f1、Tlx2和Nkx2-4等已知靶点表现出显著相关性（图6e）。

研究者观察到Shh和Bmp4、Cxcl12、Igf2、Mdk以及Wnt5a之间可能存在双向流动。为了验证这一假设，研究者分析了各配体与其下游r-Shh流入的关系。结果显示，只有Wnt5a通过GEM-5的转录因子显著受r-Shh流入调节（图6f）。此外，研究者发现r-Wnt5a流入通过空间扩散下调Myc介导的Shh流出，形成一个激活抑制系统（图6g）。这种激活抑制系统的三个关键特征如下：1）信号传播：Shh和Wnt5a配体都能扩散；2）自我上调：Shh通过Foxa2上调自身，Wnt5a通过Foxa1、Nkx6-1 和Sox21上调自身；3）抑制机制：Wnt5a通过下调Myc来抑制Shh。

这些观察结果表明，Shh和Wnt5a之间的双向流动类似于Turing模式生成系统，该系统在发育过程中驱动细胞命运图案化。因此，在E9.5时，Shh和Wnt5a信号通路可能共同作用于胚胎发育中的细胞命运决定过程（图6h）。

综上所述，FlowSig是一款强大的细胞间通信和信息流分析工具，对于分析发育过程中以及强烈单因素（比如药物）或多因素（比如病理微环境）扰动带来的细胞间信息流变化有着非常积极的作用，有助于推动对生命科学和生物医学复杂系统过程的动态理解。

拓展延伸

FlowSig技术在其他科研领域的广泛应用前景：

●?肿瘤微环境与癌症治疗

在肿瘤学领域，单细胞RNA测序（scRNA-seq）和空间转录组学（ST）结合FlowSig方法的应用具有巨大的潜力。肿瘤不仅仅是单一类型的细胞集合，而是一个复杂的生态系统，包括癌细胞、免疫细胞、基质细胞等多种成分。通过scRNA-seq可以揭示肿瘤内部不同细胞亚群的异质性，以及它们之间的相互作用网络。例如，在乳腺癌研究中，科学家们利用scRNA-seq发现了多种肿瘤相关巨噬细胞（TAMs），这些细胞不仅促进了肿瘤生长，还影响了化疗药物的效果。借助FlowSig，研究人员能够更加细致地描绘出TAMs与其他细胞类型间的通信路径，从而找到新的治疗靶点或预测患者的预后。

此外，空间转录组学数据提供了额外的空间维度信息，这对于理解肿瘤组织内的结构特征至关重要。比如，某些类型的免疫检查点分子表达可能集中在特定区域，形成所谓的“免疫冷区”。通过整合ST和FlowSig分析，可以精准定位这些冷区，并探索其形成的分子机制，进而开发更有效的免疫疗法策略。这种多模态的数据融合为个性化医疗方案的选择提供了科学依据。

●?再生医学与干细胞研究

再生医学旨在修复受损组织器官的功能，而干细胞则是实现这一目标的关键角色之一。scRNA-seq和ST技术可以帮助科学家深入了解干细胞分化过程中的基因调控变化，确保生成的组织具备正确的细胞组成。以心脏再生为例，心肌梗死后的心脏修复需要诱导内源性干细胞向心肌细胞方向分化。然而，实际操作中往往面临效率低下等问题。FlowSig可以通过构建详细的细胞间通信模型，指导优化培养条件，提高干细胞定向分化的成功率。

同时，对于移植后的干细胞存活率低的问题，scRNA-seq和ST有助于识别影响细胞存活的关键因素。例如，在骨髓移植过程中，宿主微环境中存在的炎症因子可能会抑制新植入干细胞的增殖。利用FlowSig解析这些不利信号通路，研究人员可以采取措施减少负面影响，改善移植效果。总之，scRNA-seq和ST结合FlowSig的方法为解决再生医学面临的挑战提供了强有力的支持。

●?神经科学研究

神经系统由高度特化的神经元构成，每个神经元之间通过突触连接传递信息。scRNA-seq和ST技术使得我们能够在单细胞水平上研究神经元及其支持细胞（如星形胶质细胞、小胶质细胞等）之间的交流模式。这对于理解大脑发育、学习记忆等生理过程非常重要。例如，FlowSig已被用于分析皮质类器官中的细胞间流动，揭示了Wnt5a-Shh双向流动关系，其中Shh促进自身及Wnt5a的表达，而Wnt5a则抑制Shh的表达，形成了一个潜在的Turing模式。这种反馈机制有助于解释某些特定的空间结构形成，并可能成为未来研究的重点方向之一。

此外，scRNA-seq和ST还可以帮助探究神经系统疾病的发生机制。阿尔茨海默病是一种常见的神经退行性疾病，其病理特征之一是β-淀粉样蛋白斑块沉积。通过scRNA-seq分析患者脑组织样本，发现了一些参与清除这些有毒蛋白质的免疫细胞类型。结合FlowSig，可以进一步探讨这些细胞如何响应损伤信号，并寻找增强其功能的方法，最终达到延缓疾病进展的目的。

●?免疫学与感染性疾病

免疫系统负责保护机体免受外来病原体入侵。scRNA-seq和ST技术为解析免疫反应提供了前所未有的机会。特别是在病毒感染的情况下，了解宿主细胞对病毒复制的反应至关重要。例如，在新冠病毒（SARS-CoV-2）感染期间，肺泡灌洗液（BALF）中存在大量的免疫细胞。通过scRNA-seq分析，研究人员能够区分不同的免疫细胞亚群，并追踪它们随时间的变化情况。FlowSig则可用于推断这些细胞间的相互作用，特别是那些对抗病毒至关重要的细胞通讯。

另一个重要应用是在疫苗研发方面。为了评估疫苗诱导的免疫应答，通常需要监测接种者体内抗体水平和T细胞活性。scRNA-seq不仅可以检测到抗原特异性B细胞和T细胞的存在，还能提供关于它们克隆性和表型特征的信息。结合FlowSig分析，可以从整体上把握免疫系统的动态变化，为优化疫苗配方提供参考。此外，这种方法也有助于发现新型免疫调节剂，提升现有疫苗的效果。

临床应用与展望

FlowSig作为一种强大的数据分析工具，在转化医学领域具有广泛的应用前景。例如，在肿瘤学方面，了解肿瘤微环境中不同细胞类型的互动可以帮助识别新的治疗靶点；而在再生医学领域，FlowSig可以协助优化干细胞分化策略，提高组织工程产品的质量。此外，随着单细胞技术和空间转录组学技术的发展，FlowSig将帮助临床医生更深入地理解病理状态下细胞群体的行为变化，进而指导个性化医疗方案的选择。

注：本文旨在介绍医学研究进展，不做治疗方案推荐。如有需要，请咨询专业临床医生。

Almet AA, Tsai YC, Watanabe M, Nie Q. Inferring pattern-driving intercellular flows from single-cell and spatial transcriptomics. Nat Methods. 2024 Oct;21(10):1806-1817.

点击下方「阅读原文」，前往梅斯官网查询更多相关课程和实验技术服务支持~

24小时滚动播报最新的财经资讯和视频，更多粉丝福利扫描二维码关注（sinafinance）

新浪财经意见反馈留言板

All Rights Reserved 新浪公司 版权所有