IF46.9｜单细胞多基因风险评分解析复杂疾病细胞与分子异质性

scPRS将PRS计算推进到单细胞分辨率，同时提升风险预测并定位疾病关键细胞与基因。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

多基因风险评分（PRS）通过整合全基因组关联研究（GWAS）中众多风险位点的效应来评估个体遗传易感性，已在多种复杂疾病的风险分层中显示出潜力。然而，传统PRS通常基于个体水平的基因型数据，将遗传效应汇总为单一分数，无法揭示疾病风险在细胞类型和分子层面的异质性。近年来，单细胞测序技术，特别是单细胞染色质可及性测序（如scATAC-seq），使得在单细胞水平描绘基因调控图谱成为可能。这些图谱提供了细胞类型特异的调控元件信息，为将遗传变异与细胞功能联系起来提供了前所未有的机会。尽管如此，如何将单细胞表观基因组数据与PRS框架有效整合，以同时提升风险预测能力并解析疾病机制，仍是一个亟待解决的方法学挑战。

科学问题

卡在哪里： 现有PRS方法局限于个体水平，无法解析疾病风险在不同细胞类型间的分布差异，也难以将风险变异与细胞特异的基因调控直接关联。单细胞染色质可及性数据虽能提供细胞类型特异的调控图谱，但缺乏一个系统框架来利用这些信息进行遗传风险计算和机制解析。

本文要回答： 开发一种基于图神经网络的单细胞多基因风险评分方法（scPRS），整合单细胞染色质可及性数据，在提升遗传风险预测精度的同时，定位疾病关键细胞类型并揭示风险变异影响的细胞特异基因调控网络。

技术路线

作者主要用了：图神经网络、scATAC-seq、GWAS汇总统计、多组学整合、细胞类型富集分析。

作者首先构建了一个图神经网络模型，以单细胞染色质可及性图谱中的细胞为节点，基于细胞间可及性相似性构建边，将GWAS风险变异映射到细胞特异的调控元件上，从而计算每个细胞的PRS。模型利用参考单细胞ATAC-seq数据训练，学习将遗传变异效应分配到不同细胞类型。随后，在多个独立队列中评估scPRS的风险预测性能，并与传统PRS方法比较。进一步，通过细胞类型富集分析和分层多组学整合，识别疾病关键细胞类型，并将风险变异与细胞特异的靶基因表达联系起来，验证其在多种复杂疾病中的适用性和机制解析能力。

核心亮点

亮点 1｜scPRS提升多疾病风险预测精度

在2型糖尿病、肥厚型心肌病、阿尔茨海默病和重症COVID-19等多个独立队列中，scPRS的预测性能均优于传统PRS方法。例如，在2型糖尿病中，scPRS的AUC达到0.72，而传统PRS为0.65；在肥厚型心肌病中，scPRS的AUC为0.81，传统PRS为0.74。这些结果表明，整合单细胞染色质可及性信息能够更准确地捕捉遗传风险，特别是在传统PRS表现一般的疾病中，scPRS的优势更为明显。这一发现确立了scPRS作为一种通用遗传风险预测工具的价值。

亮点 2｜scPRS定位疾病关键细胞类型

通过比较不同细胞类型的scPRS分布，作者发现疾病相关遗传风险并非均匀分布，而是富集于特定细胞类型。例如，在2型糖尿病中，胰岛β细胞的scPRS显著高于其他胰岛细胞类型；在阿尔茨海默病中，小胶质细胞和兴奋性神经元的scPRS显著升高；在重症COVID-19中，肺上皮细胞和巨噬细胞的scPRS最高。这些结果与已知的疾病病理生理机制一致，验证了scPRS在细胞类型水平解析遗传风险异质性的能力，为疾病关键细胞类型的无偏鉴定提供了新途径。

亮点 3｜风险变异与细胞特异基因调控的关联

结合单细胞ATAC-seq和单细胞RNA-seq数据，作者将scPRS识别的风险变异与细胞特异的靶基因表达联系起来。例如，在2型糖尿病中，胰岛β细胞特异的scPRS风险变异富集于调控胰岛素分泌相关基因（如INS、ABCC8）的开放染色质区域；在阿尔茨海默病中，小胶质细胞特异的变异影响APOE、TREM2等基因的调控元件。这些发现表明，scPRS不仅能够识别风险细胞类型，还能揭示风险变异在特定细胞背景下影响的基因和调控网络，为从遗传关联到分子机制的转化提供了直接证据。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 图神经网络、scATAC-seq、GWAS汇总统计、多组学整合、细胞类型富集分析
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事复杂疾病遗传学、单细胞多组学分析或精准医学研究的科研人员。

带走一句

scPRS展示了将单细胞表观基因组数据融入PRS框架的可行性，为遗传风险预测和机制解析提供了统一方法，值得在更多疾病和单细胞数据集中推广应用。