【文献分享】成人心脏为什么不再生？这篇 Nat Cardiovasc Res 把“心外膜 aging”拆到了单细胞状态层面｜附 sc/snRNA 分层整合流程
 **省流版：** > **核心结论**：胎儿心外膜里有 **migratory fibroblast-like EPDC 状态**，富集 angiogenesis/EMT/ECM 基因模块和 WNT-FGF 分泌程序；健康成人心外膜基本只剩 mesothelial 状态，EPDC 样群体几乎消失，功能上更偏 immune/stress response。好消息是：hESC-derived epicardium 更像胎儿心外膜，这解释了它为什么能帮助心肌修复。 --- ## 1. 研究背景：为什么关心心外膜？ 心外膜（epicardium）在心脏发育和再生里非常关键：发育期能 EMT 形成 EPDCs，分泌 WNT/FGF/PDGF 等因子，促进血管生成和心肌成熟；斑马鱼和新生哺乳动物损伤后，心外膜会重新激活。但成人心外膜通常静息，损伤后反应也不够强。 问题是：**成人人类心外膜到底比胎儿丢了什么？** 作者把成人与胎儿人类心脏 scRNA/snRNA 数据整合，专门分析了 epicardium 的状态差异。 --- ## 2. 数据与规模 - 胎儿：7个健康胎儿心脏，8-12周；10× scRNA-seq；QC后有**47,473**个细胞。 - 成人：Heart Cell Atlas， 来自6个健康供者D2-D7；筛选/QC后有**190,515**cell/nuclei进入候选。 - **分层抽样**后用于整合：成人**29,779**，胎儿**30,889**。 - 共同基因：**27,956**。 - 最终低分辨聚类：10大类；高分辨亚聚类：56个；再逐级整合。  ::: center 胎儿/成人样本来源、分层抽样后整合、低分辨聚类与 epicardial cell 数量。 ::: 他们比较了三个 epicardial subclusters： - **Epicardium_FB-like**：胎儿特异，近似 transient EPDC，表达 epicardial markers 同时高表达 DCN/COL1A1/POSTN/TWIST1/SPARC，TBX18 较低。 - **Epicardium_Mesothelial**：成人/胎儿共有，是成人主要保留状态。 - **Epicardium_Proliferating**：偏胎儿，表达 CENPF/HMGB2 等细胞周期基因。  ::: center 19 个 cluster、胎儿/成人比例。 ::: 结论：**成人不是完全没有 epicardium，而是缺少 fetal EPDC-like regenerative state。** --- ## 3. 核心发现：aging 让 epicardium 从促血管新生转向免疫应答 作者对 epicardial cells 单独做基因共表达模块，得到 A–F 模块。 其中最关键两个模块为： - **Module A：成人/免疫应激模块** 代表基因 HP、SLPI、PLA2G2A。胎儿早期 commitment 约 13%，成人可升到 44%。说明成人心外膜并非单纯沉默，而是更偏 immune/external stimulus response。 - **Module D：胎儿 EPDC/再生血管新生模块** 富集 angiogenesis、blood vessel development、cell migration、ECM organization、EMT/wound repair。胎儿 EPDC-rich states 的 commitment 可到 33–42%，成人 mesothelial 只有 4–12%。  这就是全文最有价值的点：**aging-associated loss 不是单个 marker 消失，而是一整个 regenerative angiogenic program 丢失。** --- ## 4. Marker与信号轴 作者建立了 epicardial marker library。比较稳定的 pan-epicardial marker 是 **UPK3B**，还有 ITLN1、MSLN、KRT19、WT1、BNC1 等。 胎儿 epicardium 高表达且成人缺失/降低的再生相关基因包括： - WNT 调节：**SFRP2、SFRP5** - WNT ligand：**WNT2B** - RSPO/LGR 轴：**RSPO1** - FGF：**FGF9** - 还有 CXCL14、COL9A3、CA9、TNNT1、MGP、SPARC、POSTN、DCN、TWIST1、SLIT3、NRP2 等。 成人更偏：HP、HAS1、SLPI、ALOX15、RBP4，以及 TNF/IL15/IL6/CCL2/CXCL1 这类免疫炎症通讯。 CellPhoneDB 结果也很漂亮：胎儿 epicardium 对 endocardial/venous endothelial/neuronal 的 predicted communication 明显增加；关键轴包括 **NRP2–VEGF、WNT2B–FZD4、RSPO1–LGR4、TGFB3**。更重要的是，成人心脏仍然能接收一些胎儿 epicardial signals，提示问题主要在成人 epicardium 的“输出端”丢失，而不是靶细胞完全失敏。 --- ## 5. hESC-EPI为什么有效？ 作者用 hESC-EPI 分化时间序列做 scRNA-seq，再用成体/胎儿 in vivo 数据训练 random forest 分类。发现 hESC-EPI 的 PODXL+/BNC1+ branch 更 predicted as epicardium_meso/FB-like；TCF21+/THY1+ branch 更偏 fibroblast-like。并且 hESC-EPI 中 angiogenic module D 随分化上升，接近胎儿 epicardium；成人 immune module A 基本缺失。 所以 hESC-EPI 的治疗价值可以理解为：**它保留了 fetal-like epicardial regenerative program，而不是 adult-like quiescent/immune state。** --- ## 6. 方法干货：他们怎么做 fetal/adult 多 sc/snRNA 分层整合？ 这部分我觉得很值得借鉴，尤其是处理 rare cell type 时。  ::: center 分层和分阶段subsampling的策略 ::: ### 6.1 原则：先平衡，再整合 不能直接把胎儿+成人的所有细胞直接扔进 Seurat/Harmony，因为 cardiomyocyte/endothelial/immune 会淹没 rare epicardium；scRNA 和 snRNA、donor、apex/base 也会形成混杂。 作者分两步： 1. **抽样前分层**：按 stage/donor/source/region/cell_state 或 fetal cluster 平衡； 2. **整合时分层**：先 donor 内部 source 桥接，再 fetal donors 合并，最后 adult into fetal。 --- ### 6.2 胎儿QC 胎儿数据质量较低，尤其红细胞污染。 保留标准： - UMI：1,000–15,000 - genes：> 400 - mitochondrial fraction：50% 来自 RBC compartment，则整群删除。Extended Data 还提到胎儿测序深度更高，后续 downsample 到约 15k UMIs，使 complexity 关系更接近成人。 --- ### 6.3 成人分层抽样 成人已有 Heart Cell Atlas `cell_state`。他们先筛 选出D2–D7：至少含 3 个 `meso` annotated cells，保证 rare mesothelial/epicardium 不是偶然出现。 然后用一个自定义分层抽样算法： - 对每个 stratum K，大小 N_K，设目标采样量 x； - 若 N_K x。 成人参数大致是： - cells：`x_cells = 597` - nuclei：`x_nuclei = 597` - 最后合并 cells/nuclei，平衡 source/donor/cell_state，再压到与 Meso barcode 相当的规模：`x_adult = 717` 逻辑是：不让任何 `cell_state` 过大，同时保留 rare mesothelial/epicardial 信号。注意，这里的 597/717 是论文针对该 Heart Cell Atlas 成人数据和 mesothelial/epicardium 丰度设定的经验参数，不应机械套到其他数据。换数据集时应以 rare target population 数量为锚重新设定。 --- ### 6.4 胎儿分层抽样 胎儿没有现成可靠 `cell_state`，所以作者先做胎儿内部整合： - 每个胎儿样本 LogNormalize / Scale； - Seurat RPCA integration； - PCA； - FindNeighbors on integrated distances； - Louvain：`k = 20`, `resolution = 0.5`； - 得到 21 个 fetal stratification clusters。 然后用 canonical epicardial markers 找 putative epicardium：WT1/TCF21/BNC1/MSLN/UPK3B/KRT19/RARRES2 等，得到约 **1,598** 个 putative fetal epicardial cells。注意：**这些 epicardial cells 全保留**，再从 21 个 fetal clusters 里按 donor 均抽，使最终胎儿的细胞量量接近成人，得到 adult/fetal 约 29,779/30,889。 这一步很关键：rare target population 宁可 oversample，也不能在整合前丢失。 --- ### 6.5 integration groups 与 sample tree 抽样后合并 raw UMI counts，定义 **24 个 integration groups**，即 `cell_source × donor` 的唯一组合。比如 adult cells D3、adult nuclei D3、fetal apex F2、fetal base F2 都拆开；F5 因 pilot 处理和测序平台不同，单独成组。 每个 group 单独： ```r NormalizeData() FindVariableFeatures() ScaleData() RunPCA() ``` anchor features 不是普通 variable genes，而是至少在 25% integration groups 中 variable 的基因，最终确定 **2,806 anchor genes**。 然后用 RPCA 找 anchors，并用自定义 hierarchical sample tree 做 IntegrateData： 1. donor-matched 内部桥接：adult nuclei → adult cells；fetal base → fetal apex； 2. fetal donors 之间整合； 3. adult data integrate into fetal data。 ```r anchors <- FindIntegrationAnchors( object.list = objs, anchor.features = anchor_genes, reduction = "rpca" ) integrated <- IntegrateData( anchorset = anchors, sample.tree = custom_tree ) ``` 整合后重新 Scale/PCA/UMAP/Louvain：低分辨 `resolution = 0.1`, `k = 20`，得 10 大类；再对每个大类 subcluster 到 56；最后按生物学相似性逐级聚合回多分辨率注释。后文 epicardial subtypes 主要用 resolution 2 的 19 clusters。 --- ## 7. 我觉得最值得借鉴的几点 - rare cell type 研究不要直接全量整合，先做 stratum × donor 分层抽样； - scRNA/snRNA 不要硬混，先 donor-matched source bridging； - 胎儿可作为 reference，因为包含更多 immature/transition states； - integrated assay 用来聚类/可视化，marker/DE 一定要回到 RNA assay 的 log-normalized counts； - CellPhoneDB 单独用 CPM log2 表达，不要拿 integrated expression 直接跑细胞通讯。 --- ## 8. 局限 - 成人是健康非损伤心脏，不能等同 MI 后再激活 epicardium； - 偏关联/预测，缺少人源功能 gain/loss 证明； - 平衡抽样利于状态发现，但不适合直接估计真实组织比例； - 成人免疫/炎症程序增强，提示再生不只是“加 fetal signals”，也可能要调免疫时相。 --- ## 9. 总结 这篇论文把成人心外膜的“不再生”具体化成了可操作的转录组清单： **缺 EPDC-like state，缺 module D angiogenic/EMT program，缺 SFRP2/SFRP5/WNT2B/RSPO1/FGF9/TGFB3 等分泌信号；同时转向 HP/SLPI/PLA2G2A 免疫应激状态。** 如果用一句再生医学的话概括： **不是让成人心外膜“活过来”那么简单，而是要把它从 immune-responsive quiescent mesothelium 推回 fetal EPDC-like pro-angiogenic state。** 感谢大家！今天的分享就到这里啦。撒花🌼 最近笔者在做多个数据集的subsample与整合，所以会经常分享这部分的内容。另外如果有朋友有相关经验，还请不吝赐教哦~ ；）
