Cell子刊：韩敬东团队开发机器学习程序，在单细胞水平识别衰老细胞

北京大学韩敬东团队（陶宛玉为第一作者）在 Cell Metabolism 期刊发表了题为：Single-cell senescence identification reveals senescence heterogeneity, trajectory, and modulators 的研究论文。

该研究开发了一种机器学习程序——SenCID（Senescent Cell Identification），可以准确地通过识别转录组数据识别衰老细胞，使针对衰老细胞的靶向干预成为可能。

细胞衰老（Cellular senescence）是许多衰老相关病理的基础，但细胞衰老的异质性对研究和靶向衰老细胞提出了挑战。

为了更好地靶向衰老细胞，准确识别不同生物环境中的衰老细胞至关重要。但不幸的是，目前没有单一的衰老细胞标志物。SA-β-gal染色和细胞周期蛋白依赖激酶（CDK）抑制剂如p16和p21的表达是常用的衰老特征。虽然这些标志物在大多数生物环境中可以识别衰老细胞，但它们并不是普遍适用的，因为一些细胞类型在非衰老阶段也会表达这些标志物。此外，在检测这些标志物时，技术问题可能会带来结果的不一致性。

在转录组水平上，使用带有衰老相关基因（SRG）注释的数据库来评估细胞衰老水平，通过计算这些基因的归一化值或排名，可以粗略评估衰老细胞与去分化增殖细胞的差异，并主要应用于肿瘤组织。然而，这些粗略的估计在正常衰老和组织退化中的应用仍然有限，因为在这些情况下，静止或分化细胞占主导地位，而不是增殖的癌细胞。

随着单细胞转录组测序技术的进步，识别和量化单细胞干性的计算工具对于描绘分化树、层次结构及其规则变得至关重要。同样，在单细胞水平上建立一个稳健的衰老识别和量化指标，克服高drop-out率和异质性，将有助于重建细胞衰老轨迹和调控层次，从而更深入地理解衰老。

为了解决上述挑战，该研究开发了一种机器学习程序——SenCID（Senescent Cell Identification），它可以准确地识别bulk转录组和单细胞转录组数据中的衰老细胞。

在来自52个衰老转录组数据集的602个样本上进行训练，覆盖30种细胞类型，SenCID识别出6个主要的衰老ID（Senescent Identities，SID）。不同的SID表现出不同的衰老基线、干性、基因功能和对衰老细胞清除疗法（Senolytics）的响应。SenCID可以重建正常衰老、慢性疾病和COVID-19下的衰老轨迹。此外，当应用于单细胞Perturb-seq数据时，SenCID有助于揭示衰老调节因子的层次结构。

总的来说，SenCID是精确单细胞分析细胞衰老的重要工具，使针对衰老细胞的靶向干预成为可能。