文章題目：Single-cell multimodal omics: the power of many
期刊：Nature Methods
影響因子：28.5
摘要：近期單細胞測序技術的發展為研究多細胞有機體中的基因調控程序帶來了前所未有的分辨力與通量。在深入解析生物系統運行機制的道路上，單細胞多組學工具的開發是未來主要的發展方向。
有機體的生物學過程是通過複雜的細胞及分子的網絡相互作用來推進和完成的。任何組織正常的生理功能均依賴於適當的信號通訊及其相互作用。每個細胞均擁有其特定的功能，正常功能的發揮取決於細胞的基因調控網絡，這一網絡主要包含特定的轉錄因子及其順式調控序列。在細胞、組織、乃至器官水平，對這一網絡進行系統性分析將極大的加深作者對於生理過程及病理過程的理解。儘管基因組測序已經能夠對這一網絡進行解析，但單細胞多組學技術無疑將極大的加速我們的研究進程，幫助我們更加深入的理解網絡的連接特性及其運作規律。
機體中幾乎所有的細胞都擁有相同的基因組（genome），其特定功能及「身份」是由表觀組（epigenome）決定的：DNA及核小體蛋白的共價修飾隨著發育進程不斷變化，影響基因表達，帶來差異化的細胞功能，形成眾多不同類型的細胞。在不同細胞中，表觀組、轉錄組及蛋白組同時進行聯合分析和研究，對描述細胞「身份」及狀態具有重要作用，也更加能夠發掘到特定細胞類型的獨特調控網絡。近期單細胞組學技術取得了很大的進展，不僅能夠對單個細胞的基因組、轉錄組及表觀組進行單獨分析，也能夠同時對這些不同組學層面進行並行分析1，極大的促進了我們對於生物學網絡的研究與理解。這是因為細胞調控網絡的複雜程度非常高，僅僅對單個組學層面進行分析仍有極大的局限性。同時檢測兩個甚至多個組學層面的網絡，無疑將更加有利於全面和系統的解析這一複雜的調控網絡，加深我們理解「細胞調控迴路」（circuitry）或者「分子調控迴路」在組織、器官發育過程中的功能。
本文中，我們將單細胞多組學技術劃分為兩大類別。第一類方法通量較低，其主旨是每次對單個細胞的多個組學層面進行檢測和分析，從而勾勒出單個細胞中調控網絡的「全貌」。這一類技術的特點是通量較低同時成本較高（圖1，藍色文字標示的方法）。第二類方法具有較高的通量（high-throughput），能夠同時對數千個乃至上百萬個細胞進行分析（圖1，棕色文字標示的方法）。這些方法通過微液滴平臺或者DNA組合標籤來實現高通量，提高了可分析的細胞規模及擴展性，同時降低了成本。
圖1 單細胞多組學技術匯總圖中所示方法是通過同時剖析單個細胞中表觀組、基因組、轉錄組及細胞表面蛋白來達到多組學分析的目的。藍色文字標示的方法通量較低，棕色文字的方法具有較高通量。
「序列的差異怎樣影響表型」，這是生物學研究中的基本問題之一。DR-seq2（gDNA-mRNA sequencing）及G&T-seq3 (genome and transcriptome sequencing)技術通過同時進行基因組測序及轉錄組分析，可用於發掘序列差異與分子表型之間的關係。DR-seq利用特定的引物對mRNA進行擴增，富集RNA分子，從而與DNA分子區別開來。G&T-seq則是通過特定的磁珠來分別富集mRNA及DNA，將它們進行物理隔離並分別檢測。對同一個細胞的基因組和轉錄組同時進行解析，有助於鑑定腫瘤細胞中的DNA序列變異，這些序列差異能夠引起細胞之間基因表達的差異，對腫瘤細胞的相關功能具有重要作用。scM&T-seq4 (single-cell methylome and transcriptome sequencing), scMT-seq5, scTrio-seq6 (single-cell triple omics sequencing)及snmCT-seq7 (single-nucleus methylcytosine and transcriptome sequencing)，這四種技術能夠同時分析甲基化組（methylome）與轉錄組。例如在小鼠胚胎幹細胞的研究中，利用scM&T-seq將這兩個層面的調控網絡相結合，明確了不同細胞中基因組甲基化狀態對基因表達的的影響4。通過這樣的聯合分析，能夠鑑定到眾多細胞發育過程中的關鍵調控因子，例如幹細胞的維持、細胞狀態的轉化與分化等。
scCOOL-seq8 (single-cell chromatin overall omic-scale landscape sequencing)及scNOMe-seq9 (single-cell nucleosome occupancy and methylome sequencing)兩個技術可用於研究不同表觀調控網絡之間的相互聯繫，即核小體佔位及甲基化組兩個層面。scCOOL-seq技術被用於發現小鼠胚胎早期發育過程中染色質動態變化與DNA甲基化修飾的互作機制8 。在兩組表觀網絡的基礎上，snNMT-seq10 (single-cell nucleosome, methylation and transcription sequencing)以及scNOMeRe-seq11 (single-cell nucleosome occupancy, methylome and RNA expression sequencing)更進一步引入轉錄組檢測，實現了「單細胞三組學測序」，從而揭示了這三組調控網絡，在小鼠胚胎發育過程中及胚胎幹細胞分化過程中的動態變化情況。
在鑑定基因組調控元件的研究中，對開放染色質區域進行定位能夠提供強有力的實驗證據，發掘出高度異質性的組織中各種不同類型細胞所具有的不同的調控元件1 。scCAT-seq12 (single-cell chromatin accessibility and transcriptome sequencing)以及combined ATAC-RNA-seq13 (combined assay for transposase-accessible chromatin using sequencing and RNA sequencing)兩種技術能夠在定位開放染色質區域的同時進行轉錄組分析。它們通過將基因組DNA與mRNA進行物理分離，來達到同時分析兩種調控網絡的目標，這一策略與scTrio-seq5 及G&T-seq3 的方法相似。T-ATAC-seq14 (transcript-indexed ATAC-seq)結合單細胞ATAC-seq與T細胞受體（TCR, T cell receptor）基因表達量分析，通過Fluidigm公司的C1微流控平臺，來解析TCR特異性與開放染色質的相互關係。
染色質高級結構也是基因表達調控的方式之一，在發育及疾病發生中具有重要作用。scMethyl-HiC15 (single-cell Methyl-HiC)及snm3C-seq16 (single-nucleus methyl chromatin conformation capture sequencing)能夠同時分析染色質三維結構及甲基化組，揭示了特定類型細胞中染色質構象與甲基化組之間的相互關係。近期新發展的一項技術，被稱為ORCA17 (optical reconstruction of chromatin architecture)，結合高解析度顯微鏡以及RNA原位雜交（RNA-FISH），能夠同時對DNA摺疊狀態及基因表達動態進行觀察，也可將染色質構象與基因表達聯繫起來進行分析。
Stuart, T. & Satija, R. Nat. Rev. Genet. 20, 257–272 (2019).Dey, S. S., Kester, L., Spanjaard, B., Bienko, M. & van Oudenaarden, A. Nat. Biotechnol. 33, 285–289 (2015).Macaulay, I. C. et al. Nat. Methods 12, 519–522 (2015).Angermueller, C. et al. Nat. Methods 13, 229–232 (2016).Hu, Y. et al. Genome Biol. 17, 88 (2016).Hou, Y. et al. Cell Res. 26, 304–319 (2016).Luo, C. et al. Preprint at bioRxiv https://doi.org/10.1101/434845(2018).Guo, F. et al. Cell Res. 27, 967–988 (2017). Pott, S. Elife 6, e23203 (2017). Clark, S. J. et al. Nat. Commun. 9, 781 (2018).Wang, Y. et al. Preprint at bioRxiv https://doi.org/10.1101/803890 (2019).Liu, L. et al. Nat. Commun. 10, 470 (2019).Reyes, M., Billman, K., Hacohen, N. & Blainey, P. C. Advanced Biosystems 3, 1900065 (2019).Satpathy, A. T. et al. Nat. Med. 24, 580–590 (2018).Li, G. et al. Nat. Methods 16, 991–993 (2019).Lee, D. S. et al. Nat. Methods 16, 999–1006 (2019).Mateo, L. J. et al. Nature 568, 49–54 (2019).Dixit, A. et al. Cell 167, 1853–1866.e1817 (2016).Adamson, B. et al. Cell 167, 1867–1882.e1821 (2016). Jaitin, D. A. et al. Cell 167, 1883–1896.e1815 (2016).Rubin, A. J. et al. Cell 176, 361–376.e317 (2019).Stoeckius, M. et al. Nat. Methods 14, 865–868 (2017).Peterson, V. M. et al. Nat. Biotechnol. 35, 936–939 (2017).Mimitou, E. P. et al. Nat. Methods 16, 409–412 (2019).Cao, J. et al. Science 361, 1380–1385 (2018).Zhu, C. et al. Nat. Struct. Mol. Biol. 26, 1063–1070 (2019).Chen, S., Lake, B.B. & Zhang, K. Nat. Biotechnol. https://doi.org/10.1038/s41587-019-0290-0 (2019).Kaya-Okur, H. S. et al. Nat. Commun. 10, 1930 (2019).Rodriques, S. G. et al. Science 363, 1463–1467 (2019).Chen, K. H., Boettiger, A. N., Moftt, J. R., Wang, S. & Zhuang, X. Science 348, aaa6090 (2015).Shah, S., Lubeck, E., Zhou, W. & Cai, L. Neuron 94,752–758.e751 (2017)