参考文献：
Armand EJ, Li J, Xie F, Luo C, Mukamel EA. Single-Cell Sequencing of Brain Cell Transcriptomes and Epigenomes. Neuron. 2021 Jan 6;109(1):11-26.
doi: 10.1016/j.neuron.2020.12.010. PMID: 33412093; PMCID: PMC7808568.
一、单细胞转录组在脑科学研究的应用
1、细胞类型发现和表征
单细胞技术改变了我们对于大脑中细胞类型多样性的认知。更多在形态发生上和功能上不同的脑细胞类型被识别，而传统的显微检查和生理方法则限制了综合的识别哺乳动物大脑神经环路中成千上万个细胞类型的范围（技术的进步让我们更全面的认识这个世界）。最近的单细胞测序的研究采样了小鼠脑区中将近20000-750000个细胞。更有一些研究囊括了小鼠中枢神经系统和外周神经系统诸多区域的将近379种细胞类型，1.2百万之多的细胞。这些还不全面，特别是在皮下区域，还需要额外的覆盖。 最大的单个scRNA-seq / snRNA-seq数据集代表了成年小鼠大脑中1亿个神经元和神经胶质细胞中的1％的细胞。——这还仅仅是小鼠的大脑，人脑更加复杂。
人脑比小鼠的大脑多1000倍的神经细胞，想要更加全面的抽样是几乎不可能的。来自于人类大脑的多区域的单核转录组建立了细胞类型的分类方法。将人类与小鼠或者非人的脊椎动物相比，揭示了那些保守和不同的细胞类型的标记，包括细胞在组织中的比例，以及同源细胞基因表达中的物种特异的差异性（细胞类型分子标记的物种差异性）。
单细胞测序技术也有助于识别胶质细胞的多样性，包括少突胶质细胞谱系，小胶质细胞的功能状态。大脑单细胞研究中多次出现的一个主题是大脑区域与物种之间的谷氨酸能的以及GABA能的神经元之间的巨大的多样性。单细胞DNA甲基化数据也支持这一结论。皮层中兴奋型神经元的转录组可能更加的异质性，因为相较于GABA能的神经元起源于神经节突触，它们发育起源于背脑，并迁移到皮层。
单细胞测序技术也被应用到非哺乳动物的大脑中，阐述着基本的关于发育，细胞调控，衰老的问题。果蝇的靶向于不同的肾小球的嗅球投射神经元在发育的过程中是不同的，但是在成年果蝇中则非常相似。衰老急剧的削减了果蝇脑细胞中RNA的数量。在果蝇视叶区域的52种类型的细胞的转录组的基因表达的相关性，支持着一种表型收敛的模型，在这个模型中，许多的转录因子调控着同一套的效应基因。在斑马鱼的大脑中，不同的神经干细胞受阿尔兹海默症模型中的淀粉样蛋白毒素影响不同。
2、发育和可塑性
单细胞测序技术揭示着在动物大脑发育的过程中，神经元以及胶质细胞的作用。 scRNA-seq/snRNA-seq特别适合于研究大脑的发育。因为，如果没有关于特定的分子标记的先验知识，关键干细胞以及神经祖细胞群会很难分离。在不同的时间点采样scRNA-seq，可以重建细胞的发育轨迹，揭示着转录因子以及下游的效应分子在调控特殊的神经元群系的动态性。成人新生的神经元以及少突细胞的分化轨迹仍然可以重建。一个激动人心的前沿是，通过人工的标签或者在同一个细胞系的细胞中共享的天然的体细胞突变，可以将snRNA-seq/scRNA-seq与谱系跟踪结合起来。
除了发育的动态性，神经元的活性或者可塑性引起的基因表达的变化（神经元在条件改变后，细胞内部的基因表达发生着怎样的变化），仍然可以通过scRNA-seq/snRNA-seq评估出来，正如曝光条件下，视觉神经元所表现的那样。另外，通过分析活性调控的基因可以识别活化的细胞。考虑到在突触可塑性的过程中，钙信号依赖性基因的关键作用，单细胞技术将在转录组动态的细胞特异性背景的理解上发挥重要的作用。
3、疾病发生中不同类型细胞的作用
通过获取病人死后的脑组织，进行snRNA-seq研究，可能得出疾病的转录组标记。通过从48个患有AD的病人提取超过80000个单核苷酸的snRNA-seq，越来越多的差异表达基因在单细胞水平上被发现（这也解决了我的那篇文献的疑惑，bulk测序是忽略了一些可能成为关键信息的基因信息）。特别地，在胶质细胞中的基因表达异常通过snRNA-seq而不是bulk RNA-seq被识别出来，因为在组织中，胶质细胞的RNA对于总体的RNA量的贡献太少。在目前的研究中，snRNA-seq已经被应用到AD，抑郁症，自闭症的研究中。
尤其地，疾病研究目前专注于相对少的数量的转录组或者表观遗传组的对应的细胞簇，而不是个体。剖析细颗粒的细胞类型对疾病的贡献是一项重要且具有挑战性的工作，因为簇中单个细胞的计算分布偏差将可能显著的影响结果。
二、单细胞表观遗传组在脑科学研究的应用
1、解剖神经元基因调控网络
单细胞表观遗传组可以被用来识别转录因子和cCREs，从而建立和维持脑细胞的身份。DNA结合的转录因子蛋白识别特殊的序列或者motif，典型的是6~10个碱基对。调控特殊的脑细胞的转录因子可以被识别，通过发现cCREs内部的富集的序列，并且将它们与已知的转录因子结合的motif比较。这种方法被应用于整合来自于小鼠运动皮层的多模型的数据（转录组&表观遗传组），揭示了转录因子Rfx3在调控层2/3兴奋性神经元的作用。转录因子结合的精确位置的高精度的分析，可以通过发现所谓的footprints（在结合位点处的，有特征的染色体可达到性模式）来实现。但是，目前footprint分析，局限在bulk ATAC-seq。
2、疾病发生风险的遗传特征
虽然，GWASs已经揭示了一些神经类和精神类疾病的风险位点，在每一种疾病中，特殊的脑细胞的选择性的脆弱性仍然未知。使用细胞类型特异性的转录组或者表观遗传组数据的分割遗传力分析（Partitioned heritability analysis）（这翻译的好蹩脚）可以识别靠近GWAS风险位点的活跃基因富集的细胞类型，预示着该细胞在疾病发生过程中潜在的直接或者间接的角色。这并不需要来自疾病组织样本的分子数据，而是使用来自健康人群的scRNA-seq/sn-RNA-seq以及GWAS的信息。分割遗传力分析（partitioned heritability analysis）也可以使用表观遗传组的数据将细胞特异性的cCREs与遗传风险突变联系起来。
注：
根据综述原文对应的部分，很生硬的翻译了下来。我想学习，学习，是要有一种内省，反刍的部分的，是将自己输入的内容，转换为自己的语言。
转录组分析是我这次掌握的重点，那么总结来说就是三个单细胞技术的下游的分析步骤，（1）细胞聚类（2）轨迹分析（3）差异表达基因筛选
总而言之，就是在分析发病机制的过程中，更加注重细胞的角色。特异性的细胞怎样特异性表达，在这样的病理过程中发生着什么样的变化，又起了什么样的作用。