Cell | 朱镕徽/Emma Dann等在原代人T细胞中开展全基因组Perturb-seq，绘制动态基因调控网络图谱

在我们的身体内，每个细胞都像一台精密的生物分子机器。就像机器内部的零件互相连接、互相协调一样，细胞内成千上万的基因通过多样的方式互相调控，形成了一个庞大而复杂的基因调控网络（Gene Regulatory Network,GRN），驱动着细胞从发育分化到免疫应答等各种生命活动。几十年前，人类基因组计划为我们绘制了一份"基因长什么样"的序列图谱；过去十年，以人类细胞图谱为代表的大规模单细胞转录组研究则告诉我们，身体内的每一种细胞分别选择表达哪些基因。现在，一个更为根本的问题摆在面前： 在每种细胞内，这些成千上万表达着的基因之间是如何互相调控的？ 绘制这张基因调控网络图谱，将揭示细胞功能的设计原理，为精准的细胞工程提供指引，并从机制层面阐明遗传变异如何通过调控网络的传导影响复杂人类性状和疾病。

要想知道基因之间在调控网络里是如何连接的，就需要进行基因扰动实验，并观察其它基因如何响应。大规模CRISPR筛选开启了功能基因组学的新时代，使得系统性地测试每个基因扰动的后果成为可能。近年来，Perturb-seq（将遗传扰动与单细胞RNA测序耦合的技术）为这一目标提供了强大工具：通过对每个被扰动的细胞同时读出其全转录组的变化，Perturb-seq可以系统性地测量基因之间的调控关系，无偏地发现基因功能。然而， 此前已发表的全基因组规模Perturb-seq研究仅限于永生化细胞系，难以反映原代细胞特有的、依赖于细胞类型和刺激状态的调控逻辑。 原代细胞中的Perturb-seq则主要使用靶向文库或arrayed格式，发现空间受限于已知调控基因。

2026年8月28日，Gladstone-UCSF基因组免疫学研究所的Alexander Marson教授团队和斯坦福大学的Jonathan Pritchard教授团队合作，在Cell杂志发表题为Genome-scale perturb-seq in primary human CD4+ T cells maps context-specific regulators of T cell programs and human immune traits的研究论文（朱镕徽博士和Emma Dann博士为共同第一作者及共同通讯作者）。 该研究首次公开发布了在原代人免疫细胞中实现了全基因组规模的Perturb-seq，在多个刺激状态下系统绘制了CD4+ T细胞的动态基因调控网络图谱，并展示了如何利用这张图谱预测驱动免疫细胞状态的调控基因、解读人类遗传变异与免疫疾病的关联。

原代T细胞全基因组Perturb-seq需要从多个供体血液样本、多个时间点收集并测量数千万级别的细胞，这对单细胞测序的通量和灵活性提出了极高要求。为应对这一挑战，作者们基于新一代probe-based单细胞RNA测序技术，搭建了一套可规模化的Perturb-seq平台。该平台允许细胞在不同时间点固定保存后统一建库，对低丰度转录本具有更高灵敏度，并支持在较少测序通道内完成数千万细胞的转录组测量。作者们设计了一套CRISPR干扰（CRISPRi）文库，靶向超过12,000个在T细胞内表达的基因。从4位健康供体的原代CD4+ T细胞出发，通过Marson团队此前开发的高效原代T细胞慢病毒转导方案【1】，将CRISPRi元件和gRNA文库导入T细胞，随后在静息态（Rest）、再刺激8小时（Stim8hr）和再刺激48小时（Stim48hr）三个条件下收集细胞，最终筛选出约2200万个携带单一gRNA的高质量单细胞，每个基因扰动平均覆盖约575个细胞。在原代T细胞内的CRISPRi系统展现出很高的敲低效率，约80%的靶基因被显著敲低，中位敲低幅度达90%。由于实验设计包含生物学重复（多个供体）和技术重复（多条guide RNA），作者采用更为稳健的DESeq2框架进行差异表达分析，共检测到超过200万个显著的基因间调控关系（10% FDR）。

为验证这些调控关系的可靠性，作者将Perturb-seq测量的转录组水平调控效应与已发表的独立数据集（包括CD4+ T细胞的arrayed knockout筛选和FACS-based CRISPRi筛选）进行了系统比较，发现跨平台、跨技术的调控效应高度一致。此外，作者选取了与CD4+ T细胞功能密切相关但此前缺乏系统性调控研究的细胞因子IL-10和IL-21作为深入验证案例：Perturb-seq发现了大量已知和此前未被报道的上游调控基因，包括在两种细胞因子之间发挥相反调控作用的转录因子NFKB2和赖氨酸特异性去甲基化酶KDM1A。作者进一步通过单个基因扰动实验，配合转录组和蛋白表达验证，证实了这些调控关系的真实性，展现了全基因组Perturb-seq在系统拆解免疫细胞调控回路方面的能力。

在确立了调控关系的可靠性之后，作者从三个方向展示了这一基因调控网络图谱的应用价值：揭示调控网络的组织原理、预测驱动T细胞状态的调控基因、以及解读人类遗传变异与免疫疾病的关联。

一、基因调控网络的模块性与语境依赖性

通过对数千个具有显著下游效应的基因扰动进行模块化分析（即根据扰动对下游基因的影响模式进行聚类），作者揭示了CD4+ T细胞基因调控网络的模块化组织结构。这一分析识别出超过100个调控基因模块，涵盖了细胞信号转导、细胞内运输、代谢调控、基因组维护和转录调控等核心细胞功能。值得注意的是，许多模块包含了此前未被报道在T细胞中具有功能的基因，这些基因往往具有组织特异性的表达模式，因而在公共数据库中缺少功能注释。这体现了Perturb-seq的无偏发现能力。

更重要的发现是， 这些调控模块的功能高度依赖于细胞的刺激状态 ，体现在两个层面：其一，有些调控模块只在特定刺激条件下才表现出协同效应：例如柠檬酸代谢模块仅在再刺激48小时后活跃，与免疫激活过程中代谢重编程的已知时序一致；其二，有些调控模块虽在多个条件下都有活性，但在不同条件下调控完全不同的下游基因集：例如Mediator-SAGA转录共激活复合体在三个条件下均表现出模块内高相关性，但其调控的靶基因程序却随刺激状态发生显著切换。作者还据此将T细胞激活的调控基因区分为"早期"和"晚期"两类：早期调控基因（如钙信号相关的ATP2A2/ATP2A3）在刺激后8小时发挥作用，晚期调控基因（如细胞周期和基因组完整性相关基因）则在48小时后才显现效应，且二者调控不同的下游程序。这些结果揭示了此前在单一条件下筛选所无法发现的调控逻辑，也有力地说明了为什么本研究需要在多个刺激时间点进行测量。

二、预测驱动T细胞状态的调控基因

过去十年，以人类细胞图谱为代表的国际合作已经在人体各组织中记录了丰富的细胞状态。然而，这些图谱本质上是描述性的：它们告诉我们哪些细胞状态存在于特定的组织和疾病环境中，却无法回答是什么调控机制建立和维持了这些状态。Perturb-seq则提供了因果性的另一层信息：每个基因扰动会将细胞的转录组推向何方。作者提出，将这两类数据整合，可以系统地回答一个此前难以触及的问题：哪些调控基因的协同作用塑造了我们在人体组织中观察到的细胞状态？其核心思路可以用一个类比来理解： 基因调控网络图谱提供了"方向"——即每个基因扰动会把细胞推向哪里；而转录组图谱则提供了"坐标"——即目标细胞状态的基因表达特征长什么样。 将两张图谱交叉分析，就可以预测哪些调控基因的扰动效应叠加起来，能够最好地重构目标细胞状态的表达特征。与以往寻找"单个最佳匹配扰动"的方法不同，这一框架假设自然的细胞状态由多个调控基因的协同作用所塑造，并且既包含正向调控也包含负向调控。

作者以Th1/Th2辅助T细胞极化为核心案例验证了这一思路。该模型成功预测了已知的关键调控基因（如Th2主调控基因GATA3及其上游IL4R-STAT6通路，Th1相关的IFNGR-JAK2-IRF1通路），同时也发现了多个新的候选调控基因（如NuRD染色质重塑复合体成员NAB2、赖氨酸特异性去甲基化酶KDM1A等），并通过arrayed实验验证了这些预测。一个关键的对照实验进一步凸显了"语境依赖性"： 当使用K562白血病细胞系的Perturb-seq数据进行同样的分析时，预测效果显著下降。 这表明基因调控网络的连接方式是细胞类型特异的，只有在与目标状态匹配的细胞类型中测量的扰动效应才能有效预测该状态的调控基因。作者还将同样的分析框架应用于预测T细胞衰老相关表型的调控基因，发现了mTOR信号通路和SUMO化修饰通路对衰老相关转录变化的贡献。

三、通过基因网络解读遗传变异与免疫疾病的关联

许多复杂人类性状和疾病并非由少数几个基因的变异所决定，而是受到大量常见遗传变异的共同影响，每个变异的效应很小，但这些效应可以通过基因调控网络的传导汇聚到关键“核心基因”上，最终影响表型：这一观点即Pritchard团队此前提出的omnigenic model【2,3】。Perturb-seq提供的基因调控网络恰好可以作为检验这一模型的实验框架：如果一个基因是某性状的核心基因，那么Perturb-seq所鉴定的它的上游调控基因在人群遗传学数据中也应当显示出对该性状的影响。作者以人群淋巴细胞计数为模型性状进行了验证，发现了显著高于预期的信号富集。值得注意的是，这一富集仅在刺激后的T细胞数据中出现，而在静息态T细胞、K562细胞或永生化T细胞系中均未观察到，再次体现了调控网络的"语境依赖性"。

进一步地，作者利用模块化分析的结果，检测了14种自身免疫疾病相关基因在调控模块中的富集情况，发现自身免疫风险基因显著富集于刺激条件特异性的调控模块中。例如，一个以STAT3为核心的调控网络整合了多个自身免疫相关基因，而此前功能未知的疾病风险基因LRRC25和FAM20B则被发现与已知的Th1极化调控基因具有相似的扰动效应模式，从而首次被赋予了T细胞中的调控功能。这些结果展示了如何通过"扰动关联性分析"为遗传学研究中功能未知的疾病风险基因找到其在免疫细胞基因调控网络中的位置。

综上，该研究将全基因组Perturb-seq从永生化细胞系推进到疾病相关的原代人免疫细胞，在多个刺激状态下系统绘制了CD4+ T细胞的动态基因调控网络图谱，揭示了调控网络高度"语境依赖"的组织原理，并展示了如何将这一图谱与人类细胞图谱和人类遗传学数据进行整合分析。这一研究为人类免疫学、免疫治疗设计和遗传变异的功能解读提供了基础资源和新的分析框架。未来，在更多细胞类型和更多刺激条件下进行类似的测量，将进一步完善我们对细胞基因调控网络的理解。同时，作者预期该数据集以其原代免疫细胞来源、多刺激条件设计和真实遗传扰动的独特优势，将为构建预测性AI虚拟细胞模型（Virtual Cell）提供此前缺乏的高质量训练和基准数据。

值得一提的是，这项研究反映第一作者朱镕徽对基因网络研究的一贯兴趣。在加州理工学院Michael Elowitz教授实验室攻读博士期间，朱镕徽通过数学建模和合成生物学方法，人工设计和搭 建能够控制细胞状态的基因网络，相关成果于2022年发表在 Science 上 （ 详见BioArt报道： ） 。从博士到博后，研究对象从人工合成网络转向了自然免疫细胞中的内源基因网络，研究方式则从 自下而上的"设计与搭建"转为自上而下的"扰动与解析"——两条路径殊途同归，共同指向对基因网络工作原理的理解。

朱镕徽博士和Emma Dann博士为该论文的共同第一作者，并与Alexander Marson教授和Jonathan Pritchard教授共同担任通讯作者。

https://doi.org/10.1016/j.cell.2026.08.002

制版人： 十一

参考文献

1. Schmidt, R. et al. CRISPR activation and interference screens decode stimulation responses in primary human T cells.Science375, eabj4008 (2022).

2. Boyle, E. A., Li, Y. I. & Pritchard, J. K. An Expanded View of Complex Traits: From Polygenic to Omnigenic.Cell169, 1177–1186 (2017).

3. Liu, X., Li, Y. I. & Pritchard, J. K. Trans Effects on Gene Expression Can Drive Omnigenic Inheritance.Cell177, 1022–1034.e6 (2019).

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

推荐直播

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。

BioArt

Med

Plants

人才招聘

点击主页推荐活动

关注更多最新活动！