[论文解读] Single-cell eQTLGen Consortium: a personalized understanding of disease

Monique G.P. van der Wijst, Dylan H. de Vries+12 more|arXiv (Cornell University)|Sep 27, 2019

Single-cell and spatial transcriptomics参考文献 93被引用 7

一句话总结

单细胞eQTLGen联盟提出了一项大规模、群体规模的单细胞eQTL映射计划，旨在识别影响特定细胞类型及动态生物状态中基因表达的遗传变异。通过利用高通量单细胞RNA测序和遗传数据，该联盟旨在在其细胞背景中精确定位与疾病相关的调控变异，从而实现对疾病机制的个性化理解，并推动精准医学的发展。

ABSTRACT

In recent years, functional genomics approaches combining genetic information with bulk RNA-sequencing data have identified the downstream expression effects of disease-associated genetic risk factors through so-called expression quantitative trait locus (eQTL) analysis. Single-cell RNA-sequencing creates enormous opportunities for mapping eQTLs across different cell types and in dynamic processes, many of which are obscured when using bulk methods. The enormous increase in throughput and reduction in cost per cell now allow this technology to be applied to large-scale population genetics studies. Therefore, we have founded the single-cell eQTLGen consortium (sc-eQTLGen), aimed at pinpointing disease-causing genetic variants and identifying the cellular contexts in which they affect gene expression. Ultimately, this information can enable development of personalized medicine. Here, we outline the goals, approach, potential utility and early proofs-of-concept of the sc-eQTLGen consortium. We also provide a set of study design considerations for future single-cell eQTL studies.

研究动机与目标

• 克服批量RNA-seq在识别遗传变异对细胞类型特异性调控效应方面的局限性。
• 在多种人类细胞类型和动态过程中，以单细胞分辨率绘制表达数量性状位点（eQTLs）的图谱。
• 识别在特定细胞环境中发挥效应的与疾病相关的遗传变异，从而改善对非编码风险变异的解读。
• 建立可扩展的协作框架，用于在群体遗传学中开展大规模单细胞eQTL研究。
• 通过将遗传风险因素与其功能细胞机制相联系，支持个性化医学的发展。

提出的方法

• 整合来自大规模人群队列的单细胞RNA测序数据与全基因组基因分型数据。
• 应用统计方法检测与单个细胞中基因表达水平显著相关的遗传变异（SNPs）。
• 利用细胞类型注释对eQTL效应按细胞身份进行分层，从而实现在细胞类型特异性水平上发现eQTL。
• 利用高通量、低成本的单细胞测序技术，将研究规模扩展至数千名个体。
• 为联盟内多机构协作开发标准化的分析流程和数据共享协议。
• 应用质量控制和归一化技术，以校正单细胞数据中的技术噪声和批次效应。

实验结果

研究问题

• RQ1 哪些遗传变异在人类组织中以细胞类型特异性的方式调控基因表达？
• RQ2 eQTL效应在静态和动态细胞状态（如发育或免疫激活期间）之间有何差异？
• RQ3 单细胞eQTL映射能否改善对全基因体关联研究（GWAS）中鉴定出的非编码疾病相关变异的解读？
• RQ4 在多样化人群中开展大规模单细胞eQTL研究的最优研究设计是什么？
• RQ5 单细胞eQTL数据如何增强个体疾病风险和治疗反应的预测能力？

主要发现

• 该联盟展示了概念验证：与批量方法相比，单细胞eQTL映射能够以更高分辨率检测调控变异，尤其在罕见或异质性细胞群体中表现更优。
• 鉴定出在批量RNA-seq中因跨细胞类型信号稀释而无法检测到的细胞类型特异性eQTL。
• 诸如免疫细胞活化等动态过程揭示了在批量分析中被掩盖的、具有情境依赖性的eQTL效应。
• 该联盟建立了可扩展的协作框架，包含标准化的数据处理和分析流程，用于大规模单细胞eQTL研究。
• 初步数据显示，单细胞eQTL可通过对特定致病细胞类型进行关联，提升GWAS中非编码风险变异的优先排序。
• 该方法能够通过精确的细胞分辨率，识别复杂疾病特征的调控机制。