单细胞表观遗传多组学：scNMT-seq、scCUTTag等技术的数据整合
点击“AladdinEdu，你的AI学习实践工作坊”，注册即送-H卡级别算力，沉浸式云原生集成开发环境，80G大显存多卡并行，按量弹性计费，教育用户更享超低价。
摘要：单细胞表观遗传多组学技术能够在同一细胞中同时测量多种表观修饰，如DNA甲基化、染色质可及性、组蛋白修饰等，为解析细胞异质性的调控机制提供了前所未有的分辨率。本文系统阐述单细胞表观多组学的主流技术，包括scNMT-seq（同时测DNA甲基化、染色质可及性和转录组）、scCUT&Tag（测组蛋白修饰和转录组）以及scChIP-seq、scATAC-seq等。从实验原理、数据特征、预处理流程出发，深入解析多模态数据整合的方法学：数据标准化、批次效应校正、跨模态关联分析、联合降维与聚类、调控网络推断等。重点探讨如何将DNA甲基化与染色质可及性数据关联，识别增强子-启动子互作；如何整合组蛋白修饰与转录组数据，推断转录因子活性。通过胚胎发育、细胞分化、肿瘤微环境等典型案例展示单细胞表观多组学在揭示基因调控机制中的独特价值，并展望空间表观组学、深度学习整合、临床转化等未来方向。
关键词：单细胞表观遗传学；多组学整合；scNMT-seq；scCUT&Tag；DNA甲基化；染色质可及性
1. 引言
细胞的身份和功能由基因表达程序决定，而基因表达受到表观遗传修饰（DNA甲基化、组蛋白修饰、染色质可及性等）的精密调控。传统单细胞表观技术（如scATAC-seq、scChIP-seq）每次只能测量一种表观层，无法揭示不同表观修饰在同一细胞中的协同作用。然而，DNA甲基化与染色质可及性往往相互影响：启动子去甲基化通常与开放染色质相关，而H3K4me3标记活性启动子，H3K27me3标记抑制区域。只有同时测量多种表观修饰，才能全面理解基因调控的逻辑。
单细胞表观遗传多组学技术应运而生，其核心目标是在同一个细胞中同时捕获两种或多种表观修饰信息。代表性技术包括：
- scNMT-seq：同时测量DNA甲基化、染色质可及性和转录组。
- scCUT&Tag：同时测量组蛋白修饰（如H3K27me3、H3K4me3）和转录组。
- scChIP-seq（低通量）：单细胞染色质免疫沉淀测序。
- scATAC-seq + 甲基化：通过转座酶可及性和亚硫酸盐测序联合分析。
这些技术产生多模态数据，每个细胞拥有甲基化谱、开放染色质谱、基因表达谱等多个矩阵。如何整合这些模态，挖掘细胞间异质性的表观调控机制，是生物信息学的重要挑战。
本文将从技术原理、数据处理、整合方法到应用案例，系统介绍单细胞表观遗传多组学的分析框架。
2. 主流技术原理与数据特点
2.1 scNMT-seq（单细胞核小体甲基化与转录组测序）
原理：scNMT-seq（Clark et al., 2018）结合了亚硫酸盐测序（检测DNA甲基化）、GpC甲基转移酶（检测染色质可及性）和Smart-seq2（检测转录组）。具体流程：
- 将单细胞裂解，用GpC甲基转移酶处理，该酶仅在开放染色质区域的GpC位点上添加甲基化标记（mGpC）。
- 进行亚硫酸盐转化：未甲基化的C转化为U，而甲基化的C（包括CpG甲基化和GpC甲基化）保留为C。
- 通过全基因组扩增和测序，同时获得：
- DNA甲基化：CpG位点是否甲基化（通过比对到参考基因组）。
- 染色质可及性：GpC位点是否被甲基转移酶标记（开放区域标记为甲基化）。
- 转录组：通过polyA捕获的mRNA反转录测序。
数据特点：
- 每个细胞产生三个矩阵：CpG甲基化水平（0-1）、GpC可及性（0-1）、基因表达计数。
- 覆盖度不均匀：甲基化数据较稀疏（通常覆盖<5% CpG位点），可及性数据更稀疏。
- 转录组数据与单细胞RNA-seq类似。
2.2 scCUT&Tag（单细胞切割与标签）
原理：CUT&Tag（Kaya-Okur et al., 2019）使用抗体引导的Tn5转座酶，在目标组蛋白修饰位点插入测序接头。scCUT&Tag（Bartosovic et al., 2021）将其扩展至单细胞：
- 细胞核与特异性抗体（如抗H3K27me3）孵育。
- 加入Protein A-Tn5融合蛋白，结合抗体。
- 激活Tn5，在抗体结合位点附近切割DNA并插入接头。
- 通过微流控或组合索引，将细胞barcode添加到片段上。
- 测序后，每个细胞获得组蛋白修饰的富集谱（类似scChIP-seq）。
同时测转录组：部分scCUT&Tag方案（如Paired-Tag）在CUT&Tag后，用oligo(dT)捕获mRNA，构建转录组文库，实现同一细胞中组蛋白修饰与转录组的联合测量。
数据特点：
- 每个细胞的组蛋白修饰信号为peak-like（富集区域），可二值化或计数。
- 转录组数据与scRNA-seq类似。
- 数据稀疏，但通过聚集可识别细胞类型特异的修饰模式。
2.3 其他技术
- scCOOL-seq：类似scNMT-seq，同时测甲基化和染色质可及性，但无转录组。
- scM&T-seq：测甲基化和转录组（无染色质可及性）。
- scChIP-seq（低通量）：每个细胞需特异性抗体富集，通量低，已较少使用。
3. 数据预处理与质量控制
3.1 数据预处理流程
3.1.1 scNMT-seq预处理
- 比对：使用Bismark（亚硫酸盐模式）比对到参考基因组，区分C→T转换（来自亚硫酸盐转化）和未转换的C（甲基化）。
- 甲基化提取：统计每个CpG位点的甲基化读段数/总读段数，计算甲基化水平。
- 可及性提取：统计GpC位点（CHG和CHH上下文）的甲基化水平，作为开放染色质的代理。
- 转录组：使用STAR或Salmon定量基因表达。
3.1.2 scCUT&Tag预处理
- 比对：使用Bowtie2将读段比对到参考基因组，保留唯一比对。
- peak calling：可使用MACS2在单细胞水平或伪批量水平识别富集区域（对于稀疏数据，通常先合并同类细胞）。
- 片段计数：计算每个细胞在预设的peak区域（如从批量数据中获得）中的读段数，生成细胞-峰矩阵。
3.2 质量控制指标
- 甲基化/可及性：覆盖率（总CpG/GpC位点数）、亚硫酸盐转化率（>99%）。
- 转录组：基因数、UMI计数、线粒体比例。
- 组蛋白修饰：片段长度分布（应集中在300-500 bp）、背景噪声。
- 细胞过滤：去除覆盖率过低或过高（双胞体）的细胞。
4. 多模态数据整合方法
4.1 数据标准化与批次校正
由于不同模态的测量尺度不同（甲基化为0-1，表达为计数），需分别标准化：
- 甲基化：通常使用beta值，不进一步标准化（除批次校正外）。
- 可及性/组蛋白修饰：进行TF-IDF变换或log归一化。
- 转录组：log(CPM+1)或SCTransform。
批次效应：不同实验批次、测序深度差异需校正。可使用Harmony、Seurat CCA等方法，将各模态分别校正后，再进行整合。
4.2 跨模态关联分析
4.2.1 启动子甲基化与基因表达
计算每个基因启动子区域（TSS上下游2 kb）的平均甲基化水平，与基因表达进行Spearman相关。负相关（高甲基化低表达）提示甲基化抑制转录。
4.2.2 染色质可及性与表达
类似地，计算启动子区域的平均可及性，与表达正相关。也可分析增强子区域的可及性与远端基因表达的相关性（需Hi-C或共表达网络）。
4.2.3 组蛋白修饰与表达
- H3K4me3（活性启动子标记）与表达正相关。
- H3K27me3（抑制标记）与表达负相关。
- H3K27ac（增强子/启动子活性）与表达正相关。
4.3 联合降维与聚类
整合多模态数据，学习细胞的联合低维表示，揭示细胞异质性。
4.3.1 多视图因子分析（MOFA+）
MOFA+（Argelaguet et al., 2020）是专为多组学整合设计的贝叶斯矩阵分解方法。它将各模态视为不同视图，提取共享潜在因子。每个因子可解释多个模态的共同变异，且因子负荷可关联到生物学通路。MOFA+天然处理缺失值，适合scNMT-seq等稀疏数据。
应用：在scNMT-seq数据中，MOFA+提取出与细胞周期、分化相关的因子，分别关联甲基化、可及性和表达变化。
4.3.2 加权最近邻（WNN）
Seurat v4的WNN方法为每个细胞在每种模态的PCA空间计算最近邻图，然后根据邻域一致性加权，生成联合图用于UMAP和聚类。简单高效，适用于所有模态。
4.3.3 多模态变分自编码器（如scMM）
scMM（Multimodal Variational Autoencoder）使用深度生成模型学习共享潜在空间，同时重构各模态的观测数据。可生成模态间的插补值，如从甲基化预测表达。
4.4 调控网络推断
整合多模态数据可构建“甲基化-可及性-表达”调控网络：
- 识别启动子/增强子区域的甲基化水平与可及性。
- 关联可及性区域与远端基因（基于共可及性或Hi-C）。
- 通过转录因子motif富集，推断上游调控因子。
工具：SCENIC+（结合scATAC和scRNA）可扩展到甲基化数据；Pando。
5. 应用案例
5.1 案例一：小鼠胚胎发育中的表观重编程
背景：胚胎发育从受精到原肠胚形成经历剧烈的表观重编程，DNA甲基化几乎全基因组擦除再重建。
数据：scNMT-seq分析小鼠胚胎从卵子到E6.5的细胞（Argelaguet et al., 2019）。
方法：
- MOFA+整合甲基化、可及性、表达三模态。
- 识别出三个主要因子：因子1对应着床前发育（甲基化下降，可及性上升）；因子2对应原始内胚层谱系；因子3对应外胚层谱系。
- 联合聚类发现早期滋养层、内细胞团、原始内胚层等细胞类型。
- 关联分析：启动子甲基化与基因表达负相关；增强子可及性与发育关键基因（如Sox2、Nanog）表达正相关。
价值：首次在单细胞水平揭示了胚胎发育中表观三模态的协同变化。
5.2 案例二：造血干细胞分化中的组蛋白修饰动态
背景：造血干细胞（HSC）分化为髓系和淋巴系过程中，组蛋白修饰调控谱系特异性基因。
数据：scCUT&Tag测H3K4me3和H3K27me3，同时测转录组。
方法：
- WNN整合组蛋白修饰和转录组，UMAP聚类识别HSC、前体细胞、成熟细胞。
- 发现HSC中谱系特异性基因同时具有H3K4me3（准备状态）和H3K27me3（抑制），处于“二价”状态；分化时二价标记解除，转变为单一活性或抑制。
- 鉴定出关键转录因子（如PU.1、GATA1）的启动子区域H3K4me3与表达正相关。
价值：验证了二价染色质在谱系决定中的作用。
5.3 案例三：胶质母细胞瘤的肿瘤内异质性
背景：胶质母细胞瘤（GBM）具有高度异质性，不同细胞亚群可能具有不同表观状态。
数据：scNMT-seq分析GBM患者样本。
方法：
- 联合降维识别出三个亚群：神经祖细胞样、间充质样、星形胶质细胞样。
- 每个亚群具有特异的DNA甲基化和可及性模式：例如，间充质样亚群中EMT相关基因启动子低甲基化且高表达。
- 通过可及性区域的motif富集，推测亚群特异的转录因子活性（如间充质样亚群中ZEB1活性高）。
价值：为GBM的靶向治疗提供了表观遗传标志物。
6. 挑战与未来展望
6.1 当前挑战
- 数据稀疏性：单细胞表观数据（尤其甲基化）覆盖度极低（<5% CpG），限制了位点级分析。
- 模态间对齐：同一细胞的甲基化位点、可及性区域和表达基因不一一对应，整合时需聚合到基因或区域。
- 计算复杂性：多模态高维数据对内存和计算要求高。
- 批次效应：不同模态可能来自不同实验批次，校正困难。
- 生物学噪声：甲基化与表达的关系并非严格线性，存在复杂调控。
6.2 未来趋势
- 空间表观多组学：将表观多组学与空间转录组结合，解析组织原位中的表观异质性。
- 深度学习整合：使用Transformer或图神经网络，学习跨模态的深层特征表示，提升稀疏数据下的性能。
- 预训练模型：在大规模单细胞表观数据上预训练，通过微调适应下游任务。
- 动态表观组学：结合时间序列或药物扰动，追踪表观状态随时间的变化。
- 临床转化：开发基于单细胞表观多组学的诊断panel，用于肿瘤分型和治疗响应预测。
7. 结语
单细胞表观遗传多组学技术使我们能够在同一细胞中同时观察DNA甲基化、染色质可及性、组蛋白修饰和基因表达，为解析基因调控的因果网络提供了强大工具。从scNMT-seq到scCUT&Tag，这些技术不断成熟，配套的生物信息学方法（MOFA+、WNN、SCENIC+）为数据整合提供了有效框架。通过胚胎发育、细胞分化和疾病研究等案例，我们见证了单细胞表观多组学在揭示细胞命运决定和疾病机制中的独特价值。未来，随着空间组学和深度学习的融合，表观多组学将走向更高分辨率、更强预测力和更直接的临床转化。
参考文献：
- Clark, S. J., et al. (2018). scNMT-seq enables joint profiling of chromatin accessibility DNA methylation and transcription in single cells.Nature Communications, 9(1), 781.
- Argelaguet, R., et al. (2019). Multi-omics profiling of mouse gastrulation at single-cell resolution.Nature, 576(7787), 487-491.
- Bartosovic, M., et al. (2021). Single-cell CUT&Tag profiles histone modifications and transcription factors in complex tissues.Nature Biotechnology, 39(7), 825-835.
- Kaya-Okur, H. S., et al. (2019). CUT&Tag for efficient epigenomic profiling of small samples and single cells.Nature Communications, 10(1), 1930.
- Argelaguet, R., et al. (2020). MOFA+: a statistical framework for comprehensive integration of multi-modal single-cell data.Genome Biology, 21(1), 111.
- Hao, Y., et al. (2021). Integrated analysis of multimodal single-cell data.Cell, 184(13), 3573-3587.