Атлас состояний и ниш здоровых и поврежденных клеток в почках человека

Feb 06, 2024

Nature, том 619, страницы 585–594 (2023 г.) Процитировать эту статью

29 тысяч доступов

3 цитаты

414 Альтметрика

Подробности о метриках

Понимание заболеваний почек зависит от определения сложности типов и состояний клеток, связанных с ними молекулярных профилей и взаимодействий внутри тканей1. Здесь мы применили множественные одноклеточные и одноядерные анализы (> 400 000 ядер или клеток) и технологии пространственной визуализации к широкому спектру здоровых эталонных почек (45 доноров) и больных почек (48 пациентов). Это позволило создать клеточный атлас высокого разрешения 51 основного типа клеток, который включает редкие и ранее неописанные популяции клеток. Мультиомный подход обеспечивает подробные транскриптомные профили, регуляторные факторы и пространственную локализацию, охватывающую всю почку. Мы также определили 28 клеточных состояний в сегментах нефронов и интерстиции, которые были изменены при повреждении почек, включая циклические, адаптивные (успешное или неадаптивное восстановление), переходные и дегенеративные состояния. Молекулярные сигнатуры позволили локализовать эти состояния в районах повреждения с помощью пространственной транскриптомики, а крупномасштабный анализ трехмерных изображений (около 1,2 миллиона районов) обеспечил соответствующие связи с активными иммунными реакциями. Эти анализы определили биологические пути, которые имеют отношение к времени повреждения и нишам, включая признаки, лежащие в основе восстановления эпителия, которые предсказывают дезадаптивные состояния, связанные со снижением функции почек. Этот интегрированный мультимодальный пространственный атлас клеток здоровых и больных почек человека представляет собой комплексный эталон клеточных состояний, окружения, характеристик, связанных с исходом, и общедоступных интерактивных визуализаций.

Почки человека играют жизненно важную системную роль в сохранении гомеостаза жидкости в организме, удалении продуктов метаболизма и поддержании артериального давления. После травмы в почечных канальцах и окружающей их интерстициальной нише возникают динамические острые и хронические изменения. Баланс между успешными или неадаптивными процессами восстановления может в конечном итоге способствовать прогрессирующему снижению функции почек2,3,4,5. Определение основного молекулярного разнообразия на уровне отдельных клеток является ключом к пониманию прогрессирования острого повреждения почек (ОПП) в хроническое заболевание почек (ХБП), почечную недостаточность, болезни сердца или смерть — проблемы, которые остаются глобальной проблемой6,7.

Мы сообщаем о мультимодальном одноклеточном и пространственном атласе с интегрированными транскриптомными, эпигеномными и визуальными данными трех основных консорциумов: Программы биомолекулярного атласа человека (HuBMAP)8, Проекта точной медицины почек (KPMP)9 и Атласа клеток человека (HCA). 10. Чтобы обеспечить надежные профили состояния клеток, здоровые эталонные ткани были получены из нескольких источников, а биоптаты были собраны у пациентов с ОПП и ХБП в соответствии со строгими процедурами обеспечения качества и контроля8,9,11. Мы определяем ниши для здоровых и измененных состояний в различных областях почек человека, от коры до кончика сосочка, и идентифицируем экспрессию генов и регуляторные модули в измененных состояниях, связанных с ухудшением функции почек. Полученный в результате атлас значительно расширяет существующие усилия12,13,14,15 и будет служить важным ресурсом для исследователей и клиницистов, работающих над лучшим пониманием патофизиологии почек.

Чтобы полностью изучить молекулярный профиль типов клеток почек, мы использовали транскриптомные анализы на основе капель (Chromium v3) для одиночных ядер (snCv3) и одиночных клеток (scCv3), а также мультиомный анализ для доступности одноядерного хроматина и секвенирования экспрессии мРНК (SNARE). -seq2 или SNARE2)16,17,18 (дополнительные таблицы 1–3). Интегративный анализ транскриптома был выполнен на более чем 400 000 высококачественных ядрах/клетках (Методы) из 58 эталонных тканей (35 доноров) и 52 больных тканей (36 пациентов), которые охватывали спектр состояний от здоровых до ОПП и ХБП (рис. 1). , Расширенные данные (рис. 1–3 и дополнительный рисунок 1). Неконтролируемая кластеризация была впервые выполнена на данных snCv3, что позволило обнаружить 100 различных популяций клеток, которые были аннотированы к 77 подклассам типов эпителиальных, эндотелиальных, стромальных, иммунных и нервных клеток (рис. 2, методы, расширенные данные, рис. 1 и 2). и дополнительные таблицы 4 и 5). Для дальнейшего расширения аннотаций типов ячеек на платформах Omic данные snCv3 использовались для привязки наборов данных scCv3 и SNARE2 к одному и тому же пространству внедрения, а метки типов ячеек были назначены посредством интегративной кластеризации (методы, расширенные данные, рис. 3, и дополнительные таблицы 6 и 7). . Для пространственной локализации этих типов или состояний клеток in situ мы применили 3D-визуализацию без меток, мультиплексную флуоресцентную визуализацию (15 человек) и пространственные транскриптомные Slide-seq219,20 (6 человек, 67 шайб) и анализы Visium (22 человека, 23 шайбы). образцы) (рис. 1, Методы и дополнительная таблица 2). Чтобы обеспечить согласованность и согласованность результатов различных технологий и свести к минимуму систематические ошибки, связанные с закупками и анализами, несколько образцов были обработаны с помощью более чем одного анализа (дополнительная таблица 3 и расширенные данные, рис. 1a). Наш подход позволил получить глубокие и перекрестно проверенные молекулярные профили для соответствующих типов клеток почек, используя явные преимущества каждой технологии; например, добавление цитозольных транскриптов из scCv3, регуляторных элементов из доступного хроматина SNARE2, а также локализация типа/состояния клеток in situ и взаимодействия с помощью пространственных технологий.

500 and <5,000 genes per cell./p>0.6. A minimal set of conserved aStr genes was identified as enriched (P < 0.05) in the adaptive state of each condition.l1 (reference, AKI and CKD for snCv2; reference and AKI for scCv3) for stromal cells. To increase representation from MyoF in scCv3 showing a small number of these cells, MyoF-alone enriched genes (average log2-transformed fold change ≥ 0.6; adjusted P < 0.05) were included for the scCv3 gene set. The aStr gene sets were then further trimmed to include only those genes that were enriched within the adaptive stromal population (aFIB and MYOF) compared with all others using the FindMarkers function and with a minimum P value of 0.05 and average log2-transformed fold change of >0.6. A minimal set of cycling-associated genes was identified as those enriched (adjusted P < 0.05 and average log2-transformed fold change > 0.6) in the cycling state across all associated subclass.l1 cell groupings./p>100 DARs with q < 0.01 were used for further analysis. Co-accessibility between all peak regions was computed using Cicero77 (v.1.8.1). Sites were then linked to genes on the basis of co-accessibility with promoter regions, occurring within 3,000 bp of a gene’s TSS, using the RegionGeneLinks function (https://github.com/yanwu2014/chromfunks) and the ChIPSeeker package78. DARs associated with markers for each subclass (identified at the subclass.l2 level using snCv3, P < 0.05) and showing q < 0.01 and a log-transformed fold change of >1 were selected for visualization. For this, DAR accessibility (peak counts) was averaged, scaled (trimming values to a minimum of 0 and a maximum of 5) and visualized using the ggHeat plotting function of the SWNE package79. Motif enrichment within cell type DARs was computed using the hypergeometric test (FindMotifs function) in Signac./p>0.35) and associated with transcription factors with expression detected in at least 2.5% of nuclei (SNARE2) were identified between clusters. Common aPT/aTAL TFBS activities were identified from an intersection of those differentially active and expressed within adaptive PT and TAL clusters. For aPT and aTAL trajectory modules, TFBSs showing differential activity between modules (adjusted P < 0.05, average log2-transformed fold change of >0.35) and expression detected within at least 2.5% of nuclei/cells (snCv3/scCv3) were identified. For common degenerative state TFBS activities, differentially active TFBSs were identified between reference and degenerative states for each level 1 subclass. Significant degenerative state TFBS activities (P < 0.05, average log2-transformed fold change of >0.35) in three or more subclass.l1 were trimmed to those showing expression detected in more than 20% of the degenerative state nuclei/cells for snCv3/scCv3./p>0.25). Enrichments were performed using Fisher’s exact tests and the resultant −log10[P] values were scaled and visualized using ggplot2./p> 0.65 on both snCV3 and scCv3 were selected for downstream analysis (Supplementary Table 32)./p>