《Cell Research》：Transcriptomic advances in studies of muscle stem cell aging: From bulk to single-cell and beyond
编辑推荐：
本研究聚焦肌肉干细胞（MuSCs）衰老过程中的转录组变化，探讨了从早期的微阵列、群体RNA测序（bulk RNA-seq）到革命性的单细胞/单核RNA测序（scRNA-seq/snRNA-seq），再到新兴的空间转录组学与多组学整合的技术演变。这些技术革新逐步揭示了MuSC的异质性、衰老轨迹（如从静息状态向功能障碍状态的转变）以及与微环境的相互作用，并借助人工智能（AI）和机器学习（ML）等计算工具，为预测衰老进程、发现潜在的年轻化靶点提供了新视角，为理解再生能力衰退的机制和开发干预策略奠定了重要的理论基础。
随着全球人口老龄化加剧，与年龄相关的骨骼肌质量和功能衰退（即肌肉减少症）已成为一个日益严重的公共卫生问题。这不仅影响老年人的活动能力和生活质量，也与跌倒、骨折风险增加及多种慢性病密切相关。骨骼肌非凡的再生能力依赖于一群特殊的“后备军”——肌肉干细胞（MuSCs），也称卫星细胞。它们在健康肌肉中通常处于静息状态，蛰伏在肌纤维的基底膜下。一旦肌肉受伤，这些“沉睡”的细胞就会被唤醒，迅速增殖、分化，修复受损组织，并自我更新以维持干细胞库的稳定。然而，一个令人困惑的现象是，随着年龄增长，这套精密的修复系统似乎“失灵”了：老年个体的肌肉在受伤后恢复缓慢，再生能力显著下降。长久以来，科学家们一直在追问：MuSCs在衰老过程中究竟发生了什么变化？是干细胞本身“老”了，还是它们所处的“家园”（即微环境）变得不友好了？为了回答这些问题，分子层面的“侦察”技术——尤其是能够全景式扫描细胞中所有RNA分子（即转录组）的技术——成为了解开谜团的关键钥匙。
近日，一篇发表在《细胞研究》（Cell Research）的综述性观点文章，系统梳理了转录组学技术如何一步步推动我们对MuSC衰老的理解。文章标题为“Transcriptomic advances in studies of muscle stem cell aging: From bulk to single-cell and beyond”。研究者们并非报告一项新的实验，而是站在巨人的肩膀上，整合了过去二十多年的研究进展，描绘了一幅从宏观到微观、从静态到动态、从孤立到整合的MuSC衰老研究演进图。
为了系统揭示MuSC衰老的分子机制，研究人员主要依赖于不断迭代的组学技术与计算分析方法的结合。首先，早期的cDNA微阵列和群体RNA测序（bulk RNA-seq） 提供了衰老MuSC群体水平的转录特征全景图。随后，单细胞RNA测序（scRNA-seq） 和单核RNA测序（snRNA-seq） 技术成为游戏规则改变者，使得在单细胞分辨率下解析MuSC的异质性和命运轨迹成为可能。新兴的空间转录组学技术则致力于在保留组织原生结构的前提下进行分子图谱绘制。此外，多组学整合策略（如结合转录组、表观基因组、蛋白组）被用来构建更全面的机制视图。最后，各类计算框架与人工智能工具，如RNA速度（RNA velocity）、轨迹推断、变分自编码器（如scVI）、以及新兴的Transformer基础模型（如scGPT），被广泛应用于从高维数据中挖掘规律、预测衰老轨迹和筛选年轻化靶点。
群体转录组学：奠定基础
早期的微阵列和bulk RNA-seq研究建立了衰老MuSC的核心转录特征。研究发现，衰老的MuSC其肌源性程序（如Pax7, Myf5, Cyclin D1表达下调）和代谢功能（特别是线粒体氧化磷酸化）减弱，而炎症和应激相关基因表达上调。这些研究还揭示了p38α/β MAPK信号通路失调、Notch信号受损等关键变化。然而，这些基于群体平均的方法掩盖了细胞间的异质性，无法捕捉稀有或功能特异的关键亚群。
scRNA-seq：一个游戏规则改变者
单细胞技术的引入彻底改变了领域格局。研究发现，MuSC并非均质群体，至少包含静息（富集氧化磷酸化）和早期激活（富集核糖体生物合成与炎症信号）两个主要亚群，而衰老会导致平衡向功能失调的早期激活状态倾斜。更重要的是，衰老并非完全随机，而是呈现可重复的模式：例如，TNFRSF12A+、ICAM1+等具有特定功能的MuSC亚群选择性丢失，而易于衰老的细胞状态则发生扩增。RNA速度等分析表明，衰老MuSC的分化进程延迟，表现为Snai2表达升高，而Myog、Mef2c等肌源性调节因子表达降低。针对人类骨骼肌的多模态单细胞图谱进一步将MuSC状态细分为静息、早期启动、晚期启动和分化等，并发现衰老使细胞状态分布偏向于过早启动（FOS+, JUN+）的MuSC，提示干细胞库的进行性耗竭。
超越转录组学：来自多组学整合的见解
将转录组与表观基因组、蛋白组数据整合，提供了更深层的机制洞察。表观遗传学分析发现，衰老伴随着抑制性组蛋白标记H3K27me3的积累和双价染色质域的形成，这限制了再生相关基因的表达。DNA甲基化漂变增加，导致转录协调性下降和表达变异性（特别是在细胞外基质ECM重塑基因上）升高。蛋白质组学则揭示了衰老MuSC中线粒体代谢和RNA剪接相关蛋白的下降。此外，代谢组学线索指出，谷胱甘肽代谢及其相关的NRF2/NF-κB信号轴是驱动MuSC衰老异质性的关键。这些多组学数据共同指向衰老MuSC存在广泛的代谢重编程和表观遗传失调。
新兴计算工具
面对单细胞和多组学产生的高维数据，人工智能和机器学习工具变得不可或缺。早期有研究利用机器学习模型分析大量公共转录组数据，成功预测供体年龄并识别衰老相关通路。更先进的工具如变分推断轨迹自编码器（VITAE）、LatentVelo、CellRank等被用于更精确地推断细胞命运轨迹和状态转换。Transformer架构的基础模型，如scGPT，通过在千万级单细胞图谱上预训练，展示了零样本预测基因表达和模拟细胞对扰动反应的能力，为计算筛选年轻化干预策略提供了新范式。此外，诸如NicheHotSpotter、SigHotSpotter等工具专门用于从单细胞数据中推断干细胞与微环境的相互作用信号枢纽。
MuSC池随年龄重塑的概念模型：从随机漂变到功能侵蚀
基于上述发现，文章提出了两个互补的概念框架来解释MuSC池的衰老变化。一是随机漂变模型：谱系追踪和细胞条形码研究表明，MuSC的命运决定在群体水平上是概率性和可逆的。衰老可能导致MuSC（或谱系单元）通过概率性丢失或功能障碍而减少，但未必导致细胞状态多样性的整体崩溃。二是拟层级侵蚀模型：转录组和功能分析反复鉴定出一些具有高再生潜能的“储备”状态细胞，例如Pax7High、MYF5Low、GSHHigh、CD34High的MuSC。衰老会选择性地耗竭这些高功能阶层的细胞，使细胞池组成向“启动”或“定向”的祖细胞状态倾斜，从而在细胞总数未必急剧下降的情况下，严重削弱整体的再生输出能力。这两个模型共同指出，衰老既改变了细胞状态的比例构成，也影响了细胞在状态间转换的动力学。
结论与展望
总而言之，这篇综述系统性地阐明，转录组学技术的演进——从群体水平到单细胞分辨率，再到空间上下文和多组学整合——深刻地重塑了我们对MuSC衰老的理解。它不再被视为一个均质、随机的功能衰退过程，而是一个涉及细胞状态组成可重复性改变、命运轨迹动力学紊乱、以及特定功能亚群选择性脆弱性的复杂现象。微环境的恶化与干细胞内在的转录、表观遗传和代谢重塑交织在一起，共同导致了再生能力的衰退。幸运的是，这种衰退并非不可逆转。研究揭示的衰老MuSC残留的可塑性（例如，运动、年轻化系统因子、特定代谢物如PGE2或3-脱氮腺苷的干预可部分恢复其功能）为治疗干预带来了希望。未来，结合空间多组学、纵向追踪和人工智能预测模型，将能更精准地描绘MuSC衰老的完整图谱，并加速发现能够稳定或恢复“储备样”干细胞状态、从而对抗肌肉衰老的创新策略。这项集成性分析不仅总结了肌肉再生生物学领域的重要进展，也为利用前沿技术解析其他组织干细胞衰老提供了方法论范式。
