iNature

空间组学方法的最新发展使得单细胞转录组分析和三维基因组组织具有较高的空间分辨率。空间分辨单细胞表观基因组学方法将扩展空间组学工具的知识库，加速对细胞和组织功能的空间调节的理解。

2022年10月21日，哈佛大学庄小威团队在Cell 在线发表题为“Spatially resolved epigenomic profiling of single cells in complex tissues”的研究论文，该研究报道了一种单细胞空间分辨表观基因组谱的方法，使用原位标记和转录，然后是多重成像。

该研究展示了在单个细胞中标记活性启动子、推定增强子和沉默启动子的组蛋白修饰的能力，并生成了胚胎和成年小鼠大脑中数百个活性启动子和推定增强子的高分辨率空间图谱。该研究结果表明，假定的启动子-增强子对和增强子枢纽调节发育重要基因。总之，该方法将普遍适用于表观遗传修饰和DNA结合蛋白的空间分析，将促进我们对基因表达如何受表观基因组时空调节的理解。

基因表达的时空调控对细胞和组织的发育和功能起着至关重要的作用。表观基因组中编码的调控信息，如组蛋白和DNA修饰，使基因在发育过程中产生不同的细胞类型的差异激活或抑制。基于测序的方法传统上被用于分析组蛋白和DNA修饰的细胞集合。最近，表观遗传测序技术已经扩展到单细胞水平，以实现对单个细胞中染色质可及性和表观遗传修饰的表征。

然而，在基于测序的方法中，细胞的空间背景是丢失的，需要细胞分离。另一方面，表观遗传特性的空间信息，如标记活性增强子和启动子的表观遗传修饰，对于理解表观基因组如何在复杂组织的原生环境中塑造细胞类型的发育和控制细胞状态至关重要。例如，在胚胎大脑发育过程中，形态发生梯度和转录因子形成复杂的空间模式，产生无数的神经祖细胞，注定成为不同类型的神经元和非神经元细胞。

最近的证据表明，不同的增强子招募可能有助于在发育中的大脑中产生精细划定的区域，微调转录因子和形态形成梯度产生的广泛模式。来自这些区域的祖细胞在不同的大脑区域产生不同的神经元亚型。此外，在成人大脑中，来自不同亚型和皮层的神经元表现出不同的染色质可达性和表观遗传修饰谱。这些观察结果强调了高空间分辨率表观基因组作图的必要性。在胚胎和成人的大脑中，已经发现了数以万计的表观遗传元素，如假定的增强子，但这些元素的空间分布仍不清楚。这些表观遗传元素的高分辨率空间分析将极大地促进表观基因组的功能理解。

文章模式图（图源自Cell ）

转基因方法将增强子序列融合到一个报告表达盒中，进入动物体内，已被用于测量小鼠胚胎大脑中数千个假定增强子的空间模式，这是一项跨越10多年的英勇努力。这种方法需要大量克隆和培育转基因动物。此外，在增强子活性由相邻报告子显示的环境中，映射增强子可能并不总是重现内源性表观遗传活性。因此，一种能够以高通量的方式绘制单个细胞的内源性表观遗传活动(如活性增强子和启动子)的空间分析方法很有需求。此外，这种空间表观基因组学方法必须具有高基因组分辨率，因为表观遗传元素通常很短(约1千碱基[kb]或更短)。

最近，空间基因组学方法已经开发出来，利用基于成像的单细胞分辨率方法(多路荧光原位杂交(FISH)和原位测序)或空间分辨率的RNA捕获后测序来分析转录组。基于成像的方法还允许在基因组尺度上测量单个细胞中DNA的3D组织，成像数千个染色质位点，基因组分辨率为几十kb到Mb。基因组尺度的染色质成像也与蛋白质成像相结合，研究染色质位点与核结构(包括核体和组蛋白标记)之间的空间关系，但由于成像分辨率有限，很难确定与组蛋白标记信号共定位的染色质位点是否确实携带这些标记。

扩展显微镜（Expansion microscopy）可以提高确定染色质位点表观遗传状态的准确性，并已被证明可以在10-kb分辨率成像一些基因组位点的组蛋白修饰。然而，由于图像分辨率有限和难以检测短序列，对大多数约1 kb或更短的基因调控元件的表观遗传状态成像仍然具有挑战性。因此，一种能够对单个细胞中染色质进行表观遗传状态成像的高基因组分辨率和高基因组通量的技术仍然缺乏。

在这里，该研究开发了一种成像方法，以高基因组通量和高基因组分辨率来测量单个细胞中染色质的表观遗传修饰。该研究展示了成像基因组位点的能力，短至几百个碱基，识别它们的表观遗传状态，并绘制它们的空间分布。该研究成像组蛋白修饰标记了单个细胞中的活性启动子、假定的启动子和沉默启动子，并展示了亚核分辨率的表观基因组谱。该研究进一步使用这种方法在胚胎和成年小鼠大脑中绘制了数百个活跃的启动子和假定的增强子。总之，该方法将普遍适用于表观遗传修饰和DNA结合蛋白的空间分析，将促进我们对基因表达如何受表观基因组时空调节的理解。

参考消息：

https://www.cell.com/cell/fulltext/S0092-8674(22)01254-5

—END—

内容为【iNature】公众号原创，

转载请写明来源于【iNature】

往期精品(点击图片直达文字对应教程)

机器学习

后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集

觉得本文好看，请点这里！