摘要：全基因组测序和单细胞技术的进步彻底改变了检查大脑内单个细胞分子景观的能力。单细胞 RNA 测序、单细胞表观基因组学和单细胞蛋白质组学等技术使研究人员能够以截然不同的细节水平捕获细胞之间存在的异质性。通过以单细胞分辨率检查基因表达、表观遗传修饰和蛋白质谱，科学家

全基因组测序和单细胞技术的进步彻底改变了检查大脑内单个细胞分子景观的能力。单细胞 RNA 测序、单细胞表观基因组学和单细胞蛋白质组学等技术使研究人员能够以截然不同的细节水平捕获细胞之间存在的异质性。通过以单细胞分辨率检查基因表达、表观遗传修饰和蛋白质谱，科学家可以解开大脑中细胞多样性的复杂性。单细胞组学在大脑健康研究中的应用提供了对细胞类型、状态和相互作用的见解，提供了对神经发育、神经退行性疾病和认知功能背后的分子动力学的细致入微的理解。这种方法有助于识别可能在大脑健康中发挥关键作用的稀有细胞群和过渡状态。研究大脑的传统镜头通常只能检测到病理机制的大致轮廓，但缺乏辨别更精细特征的分辨率。通过单细胞组学，已经能够以前所未有的细节仔细检查单个细胞。因此，单细胞 RNA 测序、表观基因组学和蛋白质组学使科学家能够破译不同细胞类型的独特分子特征，揭示大脑内的细胞多样性，同时也揭示影响大脑的基因、蛋白质和表观遗传修饰之间的复杂关系。在这种情况下，在单细胞水平上应用的泛组学方法（即研究脑细胞集合中特定生物分子的整体）似乎是揭示大脑健康和疾病特异性的决定性工具，通过确定每个细胞和细胞类型改变对生理和病理状态的最重要贡献，甚至允许在细胞细节上描述神经心理学相关性（即，其活动随着心理变化而显着变化的物理大脑结构）。

来自意大利博洛尼亚大学Paolo Abondio团队认为，单细胞泛组学的技术缺陷，如数据噪声和分辨率限制，需要不断改进，以及实验方案和数据分析管道的标准化，这对于确保研究之间的可比性和可重复性至关重要。需要分析、集成、存储和管理的数据的绝对规模需要巨大的物理基础设施和计算能力。虽然通过人工智能实现将单细胞组学数据与环境因素整合的目标可能更容易绕过一些物质障碍，但也有算法复杂性和数字计算方面的限制，必须考虑。环境神经学，特别是作为生态学、脑科学、生物学和公共卫生交叉领域的新兴跨学科研究领域，在准确量化和表征各种环境暴露和其他参数方面面临挑战，这些参数可能被用作人工智能预测、生成和可解释模型中的变量，而不是校正器。发展综合数据库，将环境因素及其与健康的遗传和表观遗传决定因素的相互作用编入目录，对于推进这一领域至关重要。在人工智能方面，伦理问题、模型的可解释性以及对稳健验证的需求是目前面临的挑战;特别是，确保在大脑健康研究中负责任和透明地使用人工智能，对于培养对结果及其潜在应用的信任至关重要。总之，协同方法可以使研究人员揭示分子决定因素、环境影响和个性化大脑健康结果之间的联系。随着技术的不断进步，分析的框架不仅有可能加深对大脑健康的理解，而且为个性化干预和预防策略铺平道路。通过接受大脑的复杂性及其与环境的相互作用，可以更全面地了解大脑健康，最终为开发针对各种神经系统疾病的靶向治疗做出贡献。认识到这种综合方法的潜力(和局限性)是至关重要的，不仅在理解大脑方面，而且在重塑如何感知和优先考虑大脑健康作为一种有益于个人和社区的整体体验方面。

文章在《中国神经再生研究（英文）》杂志2025年 6月 6 期发表。

文章来源：Abondio P, Bruno F (2025) Single-cell pan-omics, environmental neurology, and artificial intelligence: the time for holistic brain health research. Neural Regen Res 20(6): 1703-1704. doi.org/10.4103/NRR.NRR-D-24-00324

来源：中国神经再生研究杂志