在最近发表于《自然》杂志的一项研究中，研究人员利用单细胞转录组学开发了空间衰老时钟，探索了特定细胞类型的相互作用及其对大脑衰老、再生和疾病的影响。
背景
大脑衰老显著增加了阿尔茨海默病（一种导致记忆丧失的进行性脑病）和痴呆症（认知能力下降）等神经退行性疾病的风险。尽管先前的研究已经通过单细胞分辨率探讨了衰老大脑中的分子变化，但这些研究缺乏空间背景，尤其是在大规模上。没有系统地了解时空变化，包括局部细胞邻域和细胞间相互作用，会导致关键见解的缺失。高通量空间组学有望推进这一理解，但目前的研究未能同时捕捉到单细胞水平的空间和时间分辨率，特别是在老年阶段认知衰退最为明显的时候。这项研究通过引入空间衰老时钟来填补这些空白，提供了一种新的计算框架，用于预测特定细胞的衰老并探索细胞邻近效应。进一步的研究需要开发先进的计算工具来分析这些空间相互作用。
研究内容
T细胞的促衰老效应：T细胞通过与免疫信号和炎症相关的机制对附近的脑细胞，特别是少突胶质细胞和周细胞，产生远距离的促衰老影响。
在这项研究中，雄性C57BL/6JN小鼠用于衰老和运动队列，而雄性全身体诱导OSKM（POU类5同源框1（Oct4）、性别决定区Y盒2（Sox2）、Kruppel样因子4（Klf4）和骨髓瘤癌基因（c-Myc））小鼠用于部分重编程实验。小鼠在标准条件下群居，实验前至少有三周的适应期。衰老队列包括从3个月到34个月不等的小鼠，收集了冠状和矢状脑切片进行转录组分析。运动实验包括年轻和老年久坐和运动小鼠，而部分重编程实验使用了接受多西环素治疗的年轻和老年OSKM小鼠。所有动物程序均获得了斯坦福大学机构动物护理和使用委员会（IACUC）和帕洛阿尔托退伍军人事务委员会关于动物研究的批准。
样本收集时，小鼠被安乐死，大脑在最佳切割温度（OCT）化合物中快速冷冻。使用定制的300基因面板，通过多重抗误差荧光原位杂交（MERFISH）平台获得核糖核酸（RNA）测序数据。该面板包括各种细胞类型的标记物和与衰老相关的基因。脑切片按照Vizgen协议进行了组织渗透、杂交和成像处理。图像收集后，使用Cellpose进行细胞分割和转录分配。数据预处理包括过滤掉低质量细胞，并应用基因表达归一化。
机器学习模型基于转录组数据训练空间衰老时钟，以根据空间基因表达模式预测年龄。通过比较附近和远处细胞的转录组变化，分析了T细胞和神经干细胞对邻近细胞的邻近效应。统计分析包括皮尔逊相关性和Mann-Whitney U检验，可视化使用了各种绘图工具。
研究结果
创建了一个小鼠大脑衰老的空间转录组图谱，以绘制整个生命周期中的基因表达。数据集涵盖了来自不同脑区域的230万个高质量细胞，年龄范围从3.4个月到34.5个月。MERFISH方法识别了18种细胞类型，包括神经元、胶质细胞和免疫细胞，并展示了这些细胞如何定位到各自的区域。
衰老中的基因表达动态：小胶质细胞显示出最显著的年龄相关基因表达变化，免疫反应基因增加，代谢基因减少，特别是在白质区域。
研究揭示了细胞比例随年龄的显著变化。例如，小胶质细胞和T细胞随着年龄的增长而增加，而神经干细胞（NSCs）和少突胶质细胞前体细胞（OPCs）减少。T细胞在所有区域的数量都有显著增加，而NSCs主要存在于神经发生生态位中，并随着时间的推移而减少。这些变化在冠状和矢状脑切片中都是一致的。值得注意的是，T细胞对邻近细胞产生了促衰老影响，其效应通常比NSC的局部促再生效应传播得更远。
除了细胞组成的变化，基因表达也随年龄变化。例如，小胶质细胞显示出最多的年龄相关基因变化，特别是在免疫反应途径中。研究还确定了不同脑区域中基因表达变化的具体模式，白质束显示出最大的变化。研究结果强调了小胶质细胞中与年龄相关的免疫相关基因增加，与代谢和发育基因的减少形成对比。
为了进一步探索衰老的动力学，研究人员开发了“空间衰老时钟”，以根据基因表达预测单个细胞的生物学年龄。该方法能够准确预测不同脑区域和细胞类型（包括罕见的NSCs和T细胞）的细胞年龄。这些时钟在性别、数据集甚至其他单细胞技术之间具有良好的泛化效果，突显了它们的稳健性。
研究还使用空间衰老时钟探讨了再生干预措施的效果。测试了自愿运动和部分重编程对大脑衰老的影响。运动显示出强烈的再生效果，特别是对脑血管，而部分重编程的效果较为温和，特别是对NSCs和神经母细胞的再生。运动对多个脑区域的多种细胞类型产生了广泛的影响，而部分重编程主要对NSCs和神经母细胞有益，但具有有限的区域特异性效应。最后，研究探讨了特定细胞如何影响邻近细胞的衰老，发现T细胞具有促衰老效应，而NSCs对邻近细胞具有促再生影响。
结论
这项研究提供了高分辨率的时空分析，追踪了小鼠大脑衰老过程中不同区域和细胞类型的基因表达。通过生成空间衰老时钟，量化了再生干预措施和疾病模型的效果。这些时钟能够在单细胞分辨率下快速评估衰老和时间过程。重要的是，研究证明T细胞和NSCs在调节衰老过程中发挥关键作用，通过长距离和短距离效应影响其邻近细胞。机器学习框架可以适应其他组织和物种。研究还探讨了细胞邻近效应，确定了潜在的介质。
(全文结束)
