文章标题： Enhancer control of promoter activity and variability via frequency modulation of clustered transcriptional bursts
中文标题： 增强子如何“控频”？揭示转录爆发的时空密码
关键词： 增强子、转录爆发、增强子—启动子距离、活细胞成像、数学建模
哺乳动物基因的增强子往往分布在距离靶启动子数十万碱基的位置，但增强子究竟通过何种动力学机制调节启动子、基因组距离又如何影响单细胞之间的表达差异，一直缺乏直接证据。这篇文章通过构建高度简化的增强子—启动子调控系统，探索了增强子相对位置如何控制启动子的转录活性、转录时序和细胞间变异，这对于理解基因组空间结构如何编码基因表达的强度与精确性具有重要意义。
研究人员以小鼠胚胎干细胞中的Sox2启动子及其同源Sox2控制区增强子为研究对象，将报告系统整合到缺少其他活性增强子、启动子、显著染色质修饰和CTCF环的中性拓扑关联结构域中。通过piggyBac转座系统，研究团队把相同增强子重新插入启动子周围不同的基因组位置，从而在保持增强子序列、启动子序列和局部生化环境基本不变的情况下，单独考察增强子—启动子距离的影响。
活细胞成像显示，Sox2启动子的转录并非以均匀随机的方式发生，而是由多个短暂的转录爆发组成。这些爆发还会进一步聚集成爆发簇：一段时间内连续出现多个短间隔爆发，随后进入较长的低活性阶段。增强子靠近启动子时，启动子更容易进入高频爆发状态，单位时间内发生的爆发更多，且不同细胞之间的爆发次数更加一致；增强子距离较远时，不仅平均爆发频率降低，部分细胞甚至在整个观察窗口中完全不发生转录，导致细胞间表达差异显著增加。
值得注意的是，增强子距离主要改变的是爆发发生的频率，而不是单次爆发的持续时间、幅度或RNA产量。这意味着增强子并非简单地让每次转录事件更强或更久，而是决定启动子多长时间能够再次进入活跃状态。进一步的数学建模表明，传统的启动子“开启—关闭”二状态模型以及常见的三状态模型均无法充分解释观测数据。更合理的解释是，启动子会在低频和高频两种转录制度之间随机切换，增强子—启动子接近所提高的，主要是启动子从低频制度进入高频制度的转换速率。
因此，该研究提出了一个新的调控框架：增强子的核心作用之一，是控制转录爆发簇出现的频率，而增强子在顺式调控景观中的位置则决定这种调控发生得多快、多稳定。基因组距离不仅影响平均表达量，也决定基因表达在时间和细胞群体中的可靠性。对于需要快速、同步和稳定响应的基因，近端增强子可能更有利；而远端增强子产生的较大变异性，也可能在某些需要表达异质性的生物过程中发挥功能。
研究团队首先在小鼠胚胎干细胞中构建Sox2启动子驱动的分裂型EGFP报告系统，并在EGFP转录本的3′非翻译区加入24个MS2茎环序列。细胞稳定表达与HaloTag融合的MS2衣壳蛋白，使新生RNA能够在活细胞中形成可追踪的荧光转录位点。
Sox2控制区增强子被置于piggyBac转座盒内。表达PBase转座酶后，增强子从原始位置切除并随机插入基因组其他位置。研究人员筛选出14个克隆细胞系，其增强子—启动子距离覆盖约5 kb至300 kb以上，同时设置增强子插入其他染色体、不能有效调控报告启动子的对照细胞系。利用Capture-3C测量增强子—启动子接触概率，并用流式细胞术检测群体水平EGFP表达。
随后，研究人员开展长时间活细胞荧光成像，每个条件追踪约200～400个细胞，自动识别转录位点并获得单细胞荧光轨迹。在此基础上计算爆发频率、爆发持续时间、爆发幅度、爆发大小及相邻爆发间隔。对于超出观察窗口的活跃或静默事件，采用Kaplan–Meier方法校正删失数据。
最后，研究团队比较单指数、多指数以及不同启动子状态模型对爆发间隔分布和序列相关性的解释能力，并建立启动子在低频与高频转录制度之间切换的随机动力学模型，检验增强子距离究竟影响哪一个状态转换参数。
增强子越接近Sox2启动子，细胞群体的EGFP表达水平和活细胞中检测到转录爆发的概率越高。不同距离条件下，单次爆发的中位持续时间均约为1.5分钟，爆发幅度和爆发大小变化也十分有限，说明增强子距离并未明显增强单次转录事件。与此相对，爆发间隔随基因组距离增加而延长：在5～30 kb条件下，中位爆发间隔约为15分钟，在232 kb条件下增加至约30分钟；爆发间隔超过4小时的概率则由5 kb条件下的约2%上升至232 kb条件下的约30%。
方法中对单细胞轨迹的进一步分析发现，近端增强子不仅提高平均爆发频率，也降低不同细胞单位时间爆发次数的变异系数。增强子远离启动子时，更多细胞在4小时内完全没有爆发，表明远距离调控会降低转录输出的时间可靠性。
爆发间隔分布无法由单一指数函数解释，而更符合三个指数成分的加权组合，对应约3～7分钟、24～52分钟和超过164分钟的不同静默时间尺度。相邻爆发间隔还呈正相关，即短间隔后更容易继续出现短间隔，长间隔后也更容易继续保持静默，证实转录爆发会形成时间上的聚集。
数学模型最终表明，启动子在低频和高频两种均可产生爆发的制度之间随机切换。仅调整从低频制度进入高频制度的转换速率，就可以重现不同增强子距离下的爆发间隔分布及相邻间隔相关性。因此，增强子接近启动子主要是提高启动子进入高频爆发制度的机会，而非改变单个爆发本身。
以极简系统分离距离效应。 在保持增强子、启动子及局部调控序列不变的情况下，仅改变二者基因组距离，较好地排除了其他增强子、染色质状态和结构环的干扰。
从平均表达深入到单细胞动力学。 文章不仅说明增强子距离影响表达量，还揭示其对爆发频率、时间稳定性和细胞间异质性的具体作用。
发现爆发簇这一调控层级。 研究表明转录爆发并非独立随机事件，而是组织成高频和低频阶段，为启动子状态模型提供了新的解释框架。
实验与建模相互验证。 活细胞数据提出问题，数学模型定位受增强子调节的状态转换步骤，使机制解释更加严密。
研究采用人工构建的中性基因组区域，缺少内源Sox2位点中的CTCF环、其他增强子和辅助调控序列，因此不能完全代表天然顺式调控景观。
结论主要来自Sox2增强子—启动子组合和小鼠胚胎干细胞，能否推广至其他启动子类型、分化细胞和刺激响应基因仍需验证。
自动成像分析的精确率较高，但召回率相对有限；尽管作者进行了人工抽查和删失校正，极短或较弱的爆发仍可能被遗漏。
研究证明了基因组距离与状态切换动力学之间的关系，但尚未直接同步观察增强子—启动子物理接触和转录启动，因而不能确定单次接触如何触发高频状态。
文章标题： Multiscale analysis and functional validation of the cellular and genetic determinants of skeletal disease
中文标题： 谁在掌控骨骼健康？单细胞与遗传学锁定关键细胞
关键词： 骨骼疾病、单细胞测序、骨矿物质密度、效应基因、跨物种验证
骨质疏松等肌肉骨骼疾病造成了巨大的公共卫生负担，但多数现有药物只能延缓骨量下降，难以真正恢复骨骼结构。人类遗传学研究已经发现大量与骨矿物质密度相关的位点，但许多位点中的真正效应基因以及这些基因发挥作用的细胞类型仍不明确。
这篇文章通过整合小鼠骨内膜单细胞图谱、人类罕见骨病基因、大规模骨矿物质密度全基因组关联研究和超过1,000种基因修饰小鼠模型，探索了调控骨骼稳态和骨骼疾病的关键细胞及效应基因，这对于将遗传关联转化为可验证的疾病机制和治疗靶点具有重要意义。
研究人员重点分析位于骨与骨髓交界面的骨内膜区。该区域是骨形成和骨吸收的重要场所，但由于正常人类骨组织获取困难，在现有细胞图谱和表达数量性状位点资源中长期代表不足。团队从成年小鼠股骨干骺端、骨干骨内膜及骨髓分离细胞，对133,942个细胞进行单细胞RNA测序，识别出34个细胞群，并进一步解析成骨细胞谱系、软骨细胞、内皮细胞、血管平滑肌细胞和破骨细胞的细胞状态及基因程序。
研究发现，骨内膜区不仅包含预期的成骨细胞、软骨细胞和破骨细胞，还存在此前在骨病遗传学中被低估的血管细胞。内皮细胞和血管平滑肌细胞的特异基因程序显著富集骨矿物质密度相关基因，提示骨骼血管并非只是提供营养，而是骨稳态和骨病发生的重要调控单元。
在所定义的1,886个骨内膜细胞基因中，1,374个此前未被明确纳入骨骼调控体系。通过将这些细胞特异基因与528个单基因骨骼疾病致病基因、UK Biobank骨矿物质密度GWAS、MGI骨骼表型数据库及大规模小鼠敲除表型相结合，研究团队从统计关联逐步筛选出具有功能证据的候选效应基因。
研究对PLS3、PTPRD、NHERF2、CBX6和AGAP1等候选基因进行了深入验证。相应敲除小鼠出现骨矿物质含量下降、骨小梁数量减少、骨小梁间距增加、皮质骨变薄或骨力学性能下降等表型。部分候选基因分别富集于成骨细胞、内皮细胞、血管平滑肌细胞或破骨细胞，说明不同细胞类型可通过相对独立的分子通路影响骨量与骨强度。
最后，研究人员在125,063个人类成年股骨细胞及人骨空间转录组数据中验证了主要细胞群和基因程序。小鼠中功能验证的骨矿物质密度效应基因，有82%～100%可在人骨相应细胞类型中检出，为跨物种结果的可转化性提供了支持。
研究从成年雄性小鼠股骨的骨干和干骺端骨内膜以及骨髓中分离细胞，开展单细胞RNA测序。使用聚类、差异表达和轨迹分析定义34个细胞群及16个非造血细胞亚群，并建立各细胞类型的特异基因程序。SCENIC用于推断转录因子调控网络，CellPhoneDB用于分析细胞间配体—受体通讯。
研究同时对骨内膜细胞开展单核ATAC测序，将染色质可及性与单细胞转录组整合，识别不同细胞状态的调控元件和转录因子基序。流式细胞术用于验证部分骨内膜细胞群的组织富集。
遗传学方面，研究整合528个单基因骨骼疾病基因、MGI异常骨结构基因和扩展的UK Biobank估算骨矿物质密度GWAS。通过超几何检验、MAGMA基因集分析及条件分析，判断各细胞基因程序是否富集疾病相关遗传信号，并控制细胞程序间共享基因的影响。
功能验证依托国际小鼠表型联盟及相关平台，对超过1,000种单基因修饰小鼠开展X线、微型CT、骨矿物质含量和生物力学检测。对部分优先基因进行更深入的小鼠及斑马鱼验证。最后，对125,063个人类股骨细胞进行单细胞测序，并结合成人骨空间转录组验证细胞类型和候选效应基因。
单细胞分析共识别34个细胞群。成骨细胞谱系形成从间充质基质细胞、成纤维细胞、成骨祖细胞、前成骨细胞到成熟成骨细胞和早期骨细胞的连续轨迹，相应基因功能由细胞增殖迁移逐步转向细胞外基质形成、胶原组织和骨化。
成骨细胞、软骨细胞、破骨细胞、内皮细胞和血管平滑肌细胞几乎均来源于骨内膜区域。骨内膜非造血细胞之间存在丰富通讯，包括成骨细胞与软骨细胞之间的WNT信号、与内皮细胞之间的NOTCH信号以及与血管平滑肌细胞之间的IGF受体相关信号。
罕见骨病基因和骨矿物质密度GWAS信号不仅富集于传统骨细胞，也显著富集于内皮细胞和血管平滑肌细胞，确立了骨骼血管细胞的疾病相关性。小鼠数据库和超过1,000个敲除模型进一步证明，大量此前未被重视的细胞特异基因会影响骨量、骨微结构或骨强度。
Ptprd敲除小鼠出现骨小梁体积分数和数量下降；Nherf2敲除影响椎体长度和股骨骨小梁；Cbx6敲除导致骨矿物质含量、皮质厚度及力学负荷下降；Agap1敲除则同时损害股骨和椎骨的骨量及强度。人骨单细胞及空间数据重现了主要细胞程序，并在人类相应细胞中验证了绝大多数重点效应基因。
构建骨内膜多尺度细胞图谱。 研究聚焦长期被人类细胞图谱忽视的骨—骨髓界面，系统描绘了细胞组成、分化状态和调控网络。
将GWAS信号定位到具体细胞。 文章不止报告关联位点，而是通过细胞特异表达、染色质可及性和遗传富集确定潜在作用场所。
超大规模功能验证。 超过1,000种基因修饰小鼠为候选效应基因提供了骨结构和骨力学层面的实验证据。
发现血管细胞的新角色。 内皮细胞和血管平滑肌细胞被确立为骨骼疾病相关细胞，扩展了传统“成骨—破骨”二元研究框架。
进行跨物种验证。 小鼠发现在人类股骨单细胞和空间转录组中得到支持，提高了研究的转化价值。
初始小鼠单细胞图谱主要来自成年雄性动物，性别、年龄、激素状态和骨骼部位差异可能限制结论的普适性。
常规单细胞RNA测序不利于捕获大型多核成熟破骨细胞，文中识别的破骨细胞可能包含单核前体或osteomorph，不能完全代表成熟破骨细胞状态。
细胞基因程序的GWAS富集属于统计优先级证据，不能证明程序中的每一个基因都具有因果作用。
多数小鼠模型为全身性基因敲除，部分骨表型可能来自发育效应、内分泌变化或其他器官，而非候选骨细胞中的细胞自主作用。
人类验证样本仍相对有限，主要来源于特定骨组织和对照人群，尚需在骨质疏松、骨折和不同族群队列中进一步检验。
文章标题： Evolving patterns of co-mutations from tumor initiation to metastatic progression
中文标题： 癌症为何偏爱“组队突变”？追踪转移演化密码
关键词： 共突变、肿瘤演化、SelectSim、转移风险、正常组织
越来越多的研究发现，表型正常的组织也可能携带TP53等经典癌基因或抑癌基因突变，因此单个驱动突变并不足以解释恶性转化。癌症更可能源于多个突变之间的协同、冗余或拮抗，但传统共突变分析容易受到肿瘤突变负荷、组织来源、肿瘤亚型和突变过程差异的干扰。
这篇文章通过整合超过70,000个人类肿瘤、119种肿瘤亚型及多组正常组织数据，并开发基于计算机模拟突变发生过程的SelectSim算法，探索了共现和互斥突变从肿瘤发生到转移进展的演化规律，这对于识别真正受到肿瘤选择的突变组合、寻找转移风险标志物和理解癌症起始路径具有重要意义。
SelectSim首先估计某个基因在特定样本中独立发生突变的概率，同时保留基因本身的突变频率、样本的相对肿瘤突变负荷、肿瘤类型和突变过程等特征。随后，算法反复生成不存在基因间选择作用的模拟肿瘤队列，并比较真实数据和模拟数据中的加权共突变发生率。真实共突变显著高于模拟预期被判定为共现，显著低于预期则被判定为互斥。
这种按样本突变负荷加权的方法非常关键：在低突变负荷肿瘤中同时出现两个突变，比在高突变负荷肿瘤中同时出现更不寻常。基准测试显示，SelectSim能够较好兼顾共现和互斥突变的精确率及召回率，并减少由高突变负荷样本和异质性肿瘤类型造成的假阳性。将同义突变作为对照时，SelectSim几乎不产生显著共突变，说明其结果主要反映功能性和进化选择，而不是随机突变积累。
研究在多个独立队列中建立了人类癌症共突变图谱。许多共突变具有明显的组织和肿瘤亚型特异性，同一基因与不同伙伴组合后可能产生不同选择结果。部分组合在原发肿瘤和转移灶之间发生系统变化，提示共突变不仅参与肿瘤起始，也影响后续转移。
例如，在乳腺癌中，PIK3CA–TP53和GATA3–TP53共突变与更高的转移发生率及更多转移灶相关，而PIK3CA–CBFB共突变更常见于原发肿瘤，并与较低转移风险相关。在肺腺癌中，KRAS–STK11和KRAS–KEAP1倾向于在转移样本中富集，而EGFR–RBM10更多出现在原发肿瘤并与较低转移倾向相关。
正常尿路上皮、皮肤和食管上皮中虽然可以检测到癌症相关单个突变，但几乎没有发现癌症中常见的显著共现组合。相反，一些癌症中的共现组合在正常组织中呈互斥趋势。这表明单个致癌突变可以在正常细胞中长期存在，而特定突变组合的形成和选择可能是跨越恶性转化门槛的关键步骤。
研究团队汇总TCGA、AACR Project GENIE、MSK和DFCI等多个独立肿瘤队列，对患者临床信息、肿瘤类型和突变注释进行统一处理，保留396个癌症相关基因中被OncoKB判定为致癌或可能致癌的变异，并分别构建原发瘤和转移瘤突变矩阵。
SelectSim依据基因突变频率和样本相对肿瘤突变负荷，计算每个基因—样本组合的预期突变概率。在不同肿瘤类型、亚型和突变过程内部进行模拟，从而生成独立选择假设下的突变数据。算法比较真实与模拟数据中的肿瘤突变负荷加权共突变发生率，并以标准化效应量和经验假发现率识别共现或互斥基因对。
研究使用包含1,000个模拟样本、100个基因、15个协同组合和15个拮抗组合的人工数据进行基准测试，并与SELECT、DISCOVER等方法比较。独立肿瘤队列用于重复验证共突变。
在转移分析中，研究通过重复亚抽样比较原发和转移队列，识别原发瘤或转移瘤富集的基因对；进一步用Elastic Net模型联合肿瘤类型、单基因突变、共突变和治疗信息，预测是否发生转移及转移灶数量。正常组织分析包括926份尿路上皮样本、2,580份皮肤样本和918份食管上皮样本，并将供者作为协变量。
在模拟数据中，SelectSim对预设共现和互斥基因对均表现出较好的精确率和召回率，且在不同参数条件下保持稳定。在TCGA肺腺癌和泛癌数据中，算法能够恢复KRAS–STK11等已知共现关系，并显著降低共突变结果对肿瘤突变负荷的依赖。
使用致癌变异时，SelectSim识别出大量显著共现和互斥组合；改用同义突变或随机基因中的匹配错义突变后，显著结果大幅减少或消失，说明所检测模式主要来自功能变异的进化选择。多个独立原发肿瘤队列之间重复出现的同方向共突变，构成了相对稳健的共突变图谱。
原发—转移比较发现，PIK3CA–TP53和GATA3–TP53共突变乳腺癌具有更高转移发生率；KRAS–STK11和KRAS–KEAP1是肺腺癌转移的正向预测因素；PIK3CA–CBFB和EGFR–RBM10则与较低转移倾向相关。结果说明共突变提供的信息并非单个突变频率的简单相加。
正常组织中可见多种癌症相关单突变，但SelectSim几乎未发现稳定的显著共现模式，只发现一个局限于单一供者的中等显著组合。癌症中的KDM6A–STAG2、KMT2C–KMT2D等共现关系，在正常尿路上皮中甚至呈互斥，支持特定突变组合是癌症选择而非正常衰老突变的特征。
提出兼顾异质性的共突变算法。 SelectSim能够同时控制基因频率、样本突变负荷、肿瘤类型和突变过程等主要混杂因素。
强调低突变负荷样本的信息价值。 通过肿瘤突变负荷加权，避免把高突变负荷样本中的随机共现误判为生物学协同。
完成多队列独立验证。 研究不是仅在单一泛癌队列中发现模式，而是要求重要共突变在独立队列中以相同方向重复出现。
贯通癌症发生与转移。 文章将共突变从静态肿瘤分类扩展到原发—转移演化和临床风险预测。
加入正常组织对照。 结果显示单个致癌变异并非癌症特异，但受到选择的稳定共现组合在正常组织中十分罕见。
共现或互斥属于统计选择信号，不能直接证明两个基因之间存在分子协同、功能冗余或合成致死关系，仍需细胞和动物实验验证。
不同临床队列采用的测序平台和靶向基因面板不同，一些低频基因对可能因覆盖不足而无法检测或重复验证。
文章采用相对宽松的经验假发现率筛选部分探索性结果，低频共突变的稳定性仍依赖更大规模样本。
原发瘤和转移瘤多为不同患者的横断面比较，并非所有病例均具有配对、纵向取样，因此观察到的差异不一定完全代表同一肿瘤的真实演化路径。
转移风险还会受到治疗选择、肿瘤分期、取样部位和临床随访时间影响。Elastic Net虽然纳入部分治疗变量，但不能消除所有临床混杂。
正常组织研究包含大量微小组织样本，但供者数量较少，尚难排除个体年龄、暴露和克隆扩增差异对共突变模式的影响。
We thank the blogger (orange_milk_sugar, Wenyan Chen) for sharing, organizing and communicating these latest research advances.
感谢小可爱们多年来的陪伴， 我与你们一起成长~
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。