期刊：Nature Communications
影响因子：18.1
主要技术：scRNA-seq、bulk RNA-seq等

导语
衰老是众多肺部疾病的首要风险因素——从肺炎、ARDS等急性疾病，到慢阻肺（COPD）、特发性肺纤维化（IPF）等慢性疾病，在老年人群中不仅发病率更高，致死率也更为严峻。然而，肺衰老的细胞与分子机制长期以来缺乏系统性的单细胞分辨率解析。2026年1月发表于 Nature Communications 的一项研究，通过构建迄今为止最大规模的人类肺衰老单细胞图谱，从转录组、细胞组成、体细胞突变和转录熵等多个维度，系统描绘了肺衰老的细胞类型异质性景观。本文将从技术视角，重点解读该研究如何运用单细胞测序及相关计算生物学方法，揭示肺衰老的细胞类型不同步性（cell-type dyssynchrony）与转录熵增现象。

技术服务
scRNA-seq、bulk RNA-seq

研究结果
1.大规模单细胞图谱的构建：整合策略与细胞注释
研究团队对32个人类肺组织样本进行了10x Genomics平台的单细胞RNA测序（scRNA-seq），并将其与此前发表的IPF细胞图谱中的28个健康对照肺样本数据进行整合。整合后的数据集涵盖了60名捐赠者、年龄范围11至80岁、总计199,400个细胞。通过Seurat流程的互惠主成分分析（reciprocal PCA）进行数据整合后，细胞被注释为25个不同的细胞类型群体（Fig. 1B）。这一大规模整合策略不仅大幅提升了细胞数量，更保证了年龄分布的相对均匀性，为后续衰老相关分析奠定了坚实的数据基础。
 

图1. 研究设计及单细胞数据集总览

2. 差异表达分析揭示肺衰老的细胞类型不同步性
研究采用广义线性混合效应模型（GLMM）进行差异表达基因（DGE）分析，该模型以负二项分布为基础，将样本和细胞水平变异作为随机效应纳入考量，同时加入偏移项（offset term）以校正不同细胞测序覆盖深度带来的影响。为进一步验证结果的稳健性，研究还采用了伪批量似然比检验（pseudobulk likelihood ratio test），两种模型在所有测试细胞类型中均表现出高度一致性。

分析发现，肺衰老呈现明显的细胞类型不同步性——不同细胞类型受衰老影响的转录变化程度差异悬殊。以差异表达基因占该细胞类型检测基因总数的比例来衡量，普通毛细血管细胞（gCap）以21.5%居首，肺泡II型上皮细胞（AT2）以19.5%紧随其后，平滑肌细胞为17.3%（Fig. 2A）。而杯状细胞的差异表达基因比例最低，仅为5.5%。这一发现的核心技术贡献在于：单细胞分辨率使得研究者能够精准定位衰老的“重灾区”，而非在 bulk 水平上被平均化效应所掩盖。
 

图2. 肺衰老过程中的转录组变化

3. WGCNA共表达网络：从单细胞到bulk数据的交叉验证
为验证单细胞层面发现的衰老特征，研究团队利用GTEx项目的bulk RNA-seq数据（572个样本，年龄20-79岁）开展了加权基因共表达网络分析（WGCNA）。基因被划分为133个模块，其中30个模块与年龄显著相关（16个正相关、14个负相关）（Fig. 2B）。正相关模块富集于信号转导、细胞外基质组织和免疫调节通路；负相关模块则富集于TCA循环、呼吸电子传递、细胞周期和RNA代谢（Fig. 2C）。

更为关键的是，研究通过MuSiC反卷积算法，以单细胞数据为参考，对bulk RNA-seq数据进行细胞类型比例反卷积，并将反卷积结果与各模块的特征基因（module eigengene）进行相关性分析。结果发现，与年龄相关性最强的模块（模块6）主要在AT2细胞中表达——这直接验证了单细胞数据中“AT2细胞是衰老中最受转录影响的细胞类型之一”的结论。这一从单细胞到bulk、再从bulk回到单细胞的双向验证策略，充分体现了单细胞技术不仅能够发现新现象，还能为已有公共数据提供全新的解读维度。

在细胞组成层面，研究对每个样本的细胞类型比例进行归一化后比较，发现老年个体中AT2细胞比例显著下降（Wilcoxon检验 p = 0.048）（Supplementary Fig. 2A）。这一发现通过bulk RNA-seq反卷积数据得到了验证（p = 0.049）（Supplementary Fig. 2B）。单细胞技术在此处的独特优势在于：它不仅确认了AT2细胞数量的减少，更揭示了AT2细胞内部存在功能异质性亚群——SPC^high AT2细胞（高表达表面活性物质、对应功能性肺泡维持表型）与SPC^low AT2细胞（低表达表面活性物质、对应更具干性的祖细胞表型）。老年肺中SPC^low AT2细胞比例显著升高（均值0.47 vs 0.14，Wilcoxon p = 0.0062）（Fig. 3E）。HHIP作为SPC^high AT2细胞的标志基因，其表达随年龄下降（Fig. 3F）。这一亚群水平的解析，是bulk转录组无法企及的精度。

图3. 肺泡微环境中的衰老相关变化
 

图4. 肺毛细血管中的衰老相关变化

5. 从单细胞RNA-seq数据中直接调用体细胞突变
该研究最令人瞩目的技术亮点之一，是直接从单细胞RNA-seq数据中调用体细胞突变。研究团队采用SComatic算法，该算法的核心假设是：大多数体细胞突变在同一分化谱系的细胞类型中获得。算法将来自同一细胞类型的测序reads合并，记录跨细胞类型的替代等位基因 频率，通过beta-binomial检验从背景噪声中甄别候选SNV。具体流程包括：将BAM文件按细胞类型注释拆分为细胞类型特异性文件，为每种细胞类型创建碱基计数矩阵，再合并进行后续分析。候选突变需经过多重过滤以减少假阳性。

突变负荷以“每兆碱基突变数”计算——将检测到的体细胞突变数除以该细胞类型的可调用位点数。结果显示，AT1细胞突变负荷最高（7.2 mutations/MB） ，aerocyte（6.1）和gCap细胞（6.0）紧随其后（Supplementary Fig. 6A）。利用GLMM模型（以细胞类型为协变量）分析，突变负荷与年龄呈强正相关（p < 0.001）（Fig. 5A）。这一技术突破意味着，无需额外进行单细胞DNA测序，即可从已有的单细胞转录组数据中挖掘出体细胞突变信息，极大地扩展了公共单细胞数据的可利用维度。
 

图5. 基于RNA-seq数据调取的体细胞突变及与衰老和转录熵的关联

6. 转录熵：量化衰老相关的转录随机性
研究进一步引入了信息论框架来量化衰老相关的转录失调。其核心逻辑是：随着衰老和体细胞突变累积，细胞表型基因的表达丢失，导致转录组作为一个概率分布时呈现更大的不确定性，即熵增。

具体计算方法为：将数据集随机下采样至每种细胞类型最多10,000个细胞，且年轻与老年细胞数量均衡；原始计数矩阵下采样至所有细胞总UMI相等。利用R包philentropy计算每个细胞的Kullback-Leibler散度——比较该细胞的实际counts与“每个基因count=1”的均匀概率分布。熵的增加定义为KL散度相对于均匀分布的减小。此外，研究还参照既往方法计算了转录噪声（transcriptional noise）作为补充指标。

结果显示，转录熵和噪声在大多数细胞类型中随年龄增加（Fig. 5D, Supplementary Fig. 7A, 7B），但免疫细胞（淋巴细胞和髓系细胞）除外。值得注意的是，突变负荷更高、基因表达变化更大的细胞类型（毛细血管细胞、AT1、AT2），其转录熵的差异也更为显著。全局来看，熵与突变负荷呈强正相关（r = 0.51, p = 0.004） （Fig. 5E）。

在年龄预测方面，研究采用弹性网模型（polyEN），分别以基因表达主成分、熵值或二者组合作为输入特征预测个体实足年龄。结果显示，单纯熵值在预测年龄方面优于基因表达（PCC = 0.283, MAE = 12.32 vs 基因表达 PCC = 0.280, MAE = 13.57）（Supplementary Fig. 7C）。当针对单个细胞类型进行预测时，gCap细胞的“基因表达+熵”组合模型取得了最佳预测效果（PCC = 0.501, MAE = 11.30）（Supplementary Fig. 7D）。这一发现提示：转录调控的丢失（熵增）可能比协调性的基因表达变化对衰老表型贡献更大——这是一个仅凭差异表达分析无法得出的重要结论。

7.SenMayo衰老特征评分的单细胞应用
研究还利用SenMayo基因集（被证明在识别衰老细胞方面优于现有6种衰老/SASP基因集），通过Seurat的AddModuleScore函数计算每个细胞的衰老特征评分。SenMayo高评分细胞在UMAP上呈现聚集分布，主要位于成纤维细胞、巨噬细胞和内皮细胞集群中（Fig. 6A）。这些细胞同时高表达CDKN1A（p21）——一个已知的衰老标志物但未包含在SenMayo基因列表中（Fig. 6B）。然而，SenMayo评分在任何细胞类型中均未随年龄显著增加（p > 0.05）（Fig. 6C）——这一反直觉的发现挑战了“衰老细胞数量随年龄线性增加”的简单假设。
 

图6. SenMayo打分可被用于鉴定衰老印记

结论
单细胞技术驱动的肺衰老研究范式
综合来看，这项研究展示了单细胞测序技术在衰老研究中的多重技术价值：（1）细胞类型分辨率的差异表达分析，揭示了肺衰老的细胞类型不同步性（Fig. 2A）；（2）单细胞数据作为参考的bulk数据反卷积，架起了单细胞与公共bulk数据之间的桥梁（Supplementary Fig. 1A）；（3）直接从单细胞转录组数据中调用体细胞突变（SComatic），无需额外DNA测序即可获取基因组损伤信息（Fig. 5A）；（4）信息论框架下的转录熵计算，提供了一种超越传统差异表达的衰老量化新维度（Fig. 5D, 5E）；（5）SenMayo评分的单细胞映射，实现了衰老细胞异质性的精细刻画（Fig. 6A-F）。

参考文献：
De Man R, McDonough JE, Adams TS, et al. Single-cell atlas of human lung aging identifies cell type dyssynchrony and increased transcriptional entropy. Nat Commun. 2026;17(1):2095. Published 2026 Jan 22. doi:10.1038/s41467-026-68810-9