مطالعه ارتباط گسترده رونوشت تک هسته ای اختلالات مغز انسان

اختلالات مغزی شایع بار سلامتی قابل توجهی را تحمیل می کنند، اما محلی سازی خطر ژنتیکی آنها در مغز همچنان چالش برانگیز است 1 . اگرچه مطالعات ارتباط گسترده ژنوم، جایگاه های متعددی را در ارتباط با اختلالات عصبی روانپزشکی و عصبی شناسایی کرده اند، بسیاری از این جایگاه ها در مناطق غیر کدکننده قرار دارند که بیان ژن در انواع سلول های خاص 2، 3، 4، 5 را تحت تاثیر قرار می دهند. تجزیه و تحلیل‌های رونویسی انبوه مغز سنتی، که اغلب بر روی هم‌گروه‌های اجداد اروپایی تمرکز دارند، میانگین تنوع سلولی را نشان می‌دهند و تغییرات مرتبط با خطر ژنتیکی در بیان ژن را پنهان می‌کنند.

در اینجا ما از پروفایل‌های بیان ژن تک هسته‌ای از قشر جلوی پیشانی پشتی جانبی در گروه PsychAD چند اجدادی برای توسعه مدل‌های انتساب ترانویسی بیان ژنتیکی تنظیم‌شده در انواع اصلی سلول‌های مغزی استفاده می‌کنیم. استفاده از این مدل‌ها برای اختلالات عصبی و عصبی، هزاران ارتباط ژن-ویژگی را نشان می‌دهد که در تجزیه و تحلیل بافت حجیم غیرقابل شناسایی هستند و سیگنال‌های زیادی را برای جمعیت‌های سلول‌های عصبی، گلیال و ایمنی مجزا حل می‌کند.

تجزیه و تحلیل‌های متقابل اجدادی در برنامه میلیون کهنه سرباز این ارتباط را تأیید می‌کند، اثرات پلیوتروپیک بیان پیش‌بینی‌شده نوع سلولی را نشان می‌دهد و نشان می‌دهد که اختلالات مربوط به صفت در سراسر اجداد حفظ می‌شود و نقشه‌برداری از ژن‌ها و مسیرهای علی را ممکن می‌سازد. این یافته‌ها با هم، اطلسی از بیان ژنتیکی تنظیم‌شده در قشر جلوی مغز انسان را فراهم می‌کنند و نشان می‌دهند که چگونه رونویسی تک هسته‌ای می‌تواند کشف ژن و اولویت‌بندی هدف درمانی را برای اختلالات پیچیده مغزی تشدید کند.

ساختار ژنتیکی اختلالات عصبی-روانی و عصبی (به ترتیب NPDs و NDDs) به شدت چند ژنی است، و بسیاری از وراثت پذیری آنها به گونه های رایج در مناطق غیر کدکننده نسبت داده می شود که به جای توالی پروتئین 2، 3، 4، 5 بر تنظیم ژن تأثیر می گذارد (جدول تکمیلی 1 و 2). مطالعات انجمن گسترده ژنوم (GWAS) هزاران نوع خطر را برای این اختلالات شناسایی کرده است، اما نگاشت این مکان ها به ژن های عامل و مکانیسم های مغز انسان همچنان چالش برانگیز است.

مطالعات ارتباط گسترده رونوشت (TWAS) آمار خلاصه GWAS را با مدل‌های پیش‌بینی بیان ژن تنظیم‌شده ژنتیکی (GReX) ادغام می‌کند تا ژن‌هایی را که تغییرات بیان آن‌ها ممکن است منجر به حساسیت به بیماری شود، دخیل می‌سازد. با این حال، بیشتر پانل‌های مرجع TWAS مغز از توالی‌یابی RNA قشر فله‌ای همگن (RNA-seq) در گروه‌های اجدادی (EUR) عمدتا اروپایی (EUR) مشتق شده‌اند 6، 7، 8، 10، که میانگین جمعیت‌های عصبی و غیر عصبی مختلف را نشان می‌دهد و تنها بخشی از تنظیم ژنتیکی را در بر می‌گیرد.

با توجه به ناهمگنی گسترده سلولی، رونویسی 11، 12 و تنظیمی 13 قشر جلوی مغز انسان، رویکردهایی که آن را به عنوان یک بافت یکنواخت در نظر می گیرند برای حل کمک های خاص نوع سلولی به خطر NPD 2، 14 و NDD 5 مناسب نیستند.

کنسرسیوم PsychAD 11 و 15 یک اطلس RNA-seq تک هسته ای (snRNA-seq) در مقیاس جمعیتی از قشر جلوی پیشانی پشتی جانبی (DLPFC) تولید کرد که شامل بیش از 6 میلیون هسته از 1494 اهداکننده با و بدون تشخیص های عصبی روانپزشکی اصلی، EURARmi و spp. اجداد با بهره‌گیری از این داده‌ها، ما مدل‌های انتساب رونویسی تک هسته‌ای (snTIMs) را در چند جمعیت سلولی ساختیم، که تخمین نوع سلولی GReX را در میان اجداد ممکن می‌سازد.

سپس ما snTIMها را به 12 NPD و NDD GWAS اعمال کردیم تا TWAS تک هسته ای (snTWAS) را انجام دهیم و انجمن های صفت ژن خاص نوع سلول (GTAs)، از جمله جایگاه های مرتبط با بیماری قبلا گزارش نشده را شناسایی کنیم. در نهایت، ما این یافته ها را در یک مطالعه انجمن گسترده پدیده (PheWAS) با حدود 600000 شرکت کننده در برنامه میلیون کهنه سرباز (MVP) تایید و گسترش دادیم.

با استفاده از snTIMهای منطبق با اجداد، الگوهای اثر را در بین جمعیت ها مقایسه کردیم، پلیوتروپی GReX خاص نوع سلولی را در تشخیص های عصب شناختی و سلامت روان مشخص کردیم، و اولویت بندی ژن علی را اصلاح کردیم.

ما یک چارچوب تحلیلی ایجاد کردیم تا بررسی کنیم که چگونه GReX خاص نوع سلول مغز به NPD و NDD کمک می کند (داده های توسعه یافته شکل 1). با استفاده از داده‌های ژنوتیپ و snRNA-seq کنترل‌شده با کیفیت (به روش‌ها مراجعه کنید) از کنسرسیوم PsychAD 11، 15، ما 94 snTIM را در سه اجداد و 32 جمعیت سلولی در DLPFC (شکل داده‌های توسعه‌یافته 2 و Supp3) آموزش دادیم. برای TWAS پایین‌دست، ما تجزیه و تحلیل‌ها را به snTIMهایی محدود کردیم که عملکرد معتبر متقاطع را در هر اجداد نشان می‌دادند (به روش‌ها مراجعه کنید).

با محدود کردن به ژن‌های کدکننده پروتئین، مدل‌های انتساب قابل اعتمادی را برای ۱۲۲۸۹ (۷۴.۱%)، ۱۰۳۷۵ (۶۲.۶%) و ۵۵۴۳ (۳۳.۴%) از ۱۶۵۹۴ ژن اتوزومی ارزیابی‌شده در PsychAD 11، 15 برای N2R9 (NAF=3) به دست آوردیم. (N = 118) اصل و نسب، به ترتیب (جدول تکمیلی 4-9 و شکل تکمیلی 1).

TIM شبه حجیم مشتق شده از تک هسته EUR ("snBulk"؛ همه هسته ها جمع شده اند) و یک TIM مبتنی بر همگن EUR با اندازه مشابه از همان منطقه ("فله"؛ DLPFC EpiXcan TIM 16؛ N = 924؛ 311 فرد مشترک با EUR imputed a19. در مقابل 8959) با همپوشانی قابل توجه اما ناقص (6102 مشترک؛ 66.7-68.1٪؛ شکل 1a و یادداشت تکمیلی 1).

در سلسله مراتب snTIM، افزایش وضوح نوع سلول از snBulk به کلاس های سلولی ("کلاس") و زیر کلاس ها ("زیر کلاس") مجموعه قابل انتساب مطمئن را تا 3330 افزایش داد، در حالی که مجموع ها بین کلاس و زیر کلاس مشابه باقی ماندند (به ترتیب 11،1021، 11،1025، Fig. جدول تکمیلی S10 و تبصره الحاقی 2). هنگام انتخاب بالاترین TIM برای هر ژن در هر وضوح، snTIMهای کلاس و زیر کلاس بیشتر به R2 معتبر متقابل (R2 CV) نسبت به snBulk دست یافتند (شکل.

1b)، نشان می دهد که وضوح سلولی ریزتر عملکرد مدل را بهبود می بخشد (شکل تکمیلی 2a). با این حال، وجود ژن‌هایی که به‌طور منحصربه‌فرد یا به بهترین شکل در snBulk نسبت داده می‌شوند، نشان می‌دهد که ژن‌های خاصی برای پیش‌بینی قابل اعتماد، به اندازه‌های نمونه مؤثرتری نیاز دارند.

یک نمودار ون که تعداد ژن‌های قابل انتساب مطمئن را منحصر به توده (همگن DLPFC) یا snBulk (هسته‌های ترکیب شده DLPFC از snRNA-seq) و به اشتراک گذاشته شده بین آنها نشان می‌دهد. ب، قابل انتساب ژن در رزولوشن های نوع سلولی مختلف. طول میله نشان دهنده تعداد ژن های قابل انتساب قابل اعتماد است. برای هر دسته، ژن‌ها به سه گروه تقسیم می‌شوند: ژن‌های منحصربه‌فرد (ژن‌های منحصربه‌فرد)، بهترین ژن‌های پیش‌بینی‌شده (بهترین ژن R 2 CV؛ پیش‌بینی‌کننده‌های SNP درصد بالاتری از واریانس بیان ژن را در این دسته توضیح می‌دهند) و ژن‌های مشترک (ژن‌های قابل انتساب که بهتر در دسته‌های دیگر ثبت می‌شوند.

است). کلاس و زیر کلاس از بهترین مدل ژن (حداکثر R 2 CV ) در بین تمام snTIM های شرکت کننده برای آن سطح استفاده می کنند. ج، نقشه حرارتی ضرایب همبستگی اسپیرمن تبار متقابل (ρ) R2 CV در سطح کلاس. برای هر نوع سلول، همبستگی اسپیرمن فقط در بین ژن‌هایی که با اطمینان در snTIMs هر دو اجداد نسبت داده می‌شوند ارزیابی می‌شود. N تعداد ژن های مشترک قابل انتساب را در هر دو اصل و نسب نشان می دهد. آمار همبستگی کامل در جدول تکمیلی 9 توضیح داده شده است. نام کامل همه انواع سلول ها در جدول تکمیلی 3 تعریف شده است.

Astro، astrocyte; EN، نورون تحریکی. اندو، سلول اندوتلیال؛ IN، نورون مهاری. الیگو، الیگودندروسیت؛ OPC، سلول پیش ساز الیگودندروسیت.

برای اعتبارسنجی عملکرد snTIM خارج از نمونه، از دو مجموعه داده بیان ژنوتیپ-ژن مستقل استفاده کردیم: snRNA-seq از پروژه مطالعه نظم مذهبی/حافظه و پیری (ROSMAP) 17 یورو و داده های RNA-seq حجیم از سلول های فعال شده با فلورسانس، میکروگلیاهای جدا شده با مرتب سازی با فلورسانس، FACS-MGlia.191. در هر دو مجموعه داده، اعتبار متقابل و R2 خارج از نمونه توافق قوی را نشان داد، که از تنظیم تکرارپذیر بیان ژن در سراسر گروه‌ها پشتیبانی می‌کند (یادداشت تکمیلی 3).

ما در مرحله بعد snTIM ها را در بین اجداد مقایسه کردیم. علیرغم تفاوت‌ها در اندازه نمونه آموزشی، مدل‌های نوع ژن-سلول مشترک همبستگی قوی در R2 CV در سراسر اجداد نشان دادند (EUR-AMR: ρ = 0.58، P = 3.45 × 10-1،158، N = 13054؛ EUR-AFR = 4.2 × 0.5 = ρ، 0.2 = ρ. −2,711, N = 36,070 و AFR–AMR: ρ = 0.49, P = 1.29 × 10,637, N = 10,637، جدول تکمیلی 11.

2b، 3 و 4)، نشان می‌دهد که میزان بیان ژن تحت تنظیم ژنتیکی است، حتی زمانی که پلی‌مورفیسم‌های تک نوکلئوتیدی (SNPs)، که به‌عنوان پیش‌بینی‌کننده بیان ژن عمل می‌کنند، به طور کلی در سراسر اجداد سازگار است (یادداشت‌های تکمیلی 4 و 5).

با هم، این نتایج نشان می‌دهد که snTIMs به طور قابل‌توجهی مجموعه ژن‌های قابل انتساب را در مقایسه با TIM بافت حجیم گسترش می‌دهد، عملکرد پیش‌بینی‌کننده را در میان جمعیت‌های سلولی متنوع بهبود می‌بخشد و تنظیم ژنتیکی حفظ شده بیان ژن مغز را در سرتاسر اجداد جذب می‌کند.

برای توصیف اختلالات نوع سلولی خاص GReX در NPD ها و NDD ها، ما از EUR انبوه و snTIMs برای انجام TWAS در سطح خلاصه (S-TWAS) روی GWAS 12 یورو (جدول تکمیلی 12 و داده های خارجی 1 (مراجعه 20) استفاده کردیم، در حالی که نرخ 1 را برای کشف نادرست کنترل می کنیم. آزمایش‌های نوع سلولی در وضوح‌های مختلف سلولی، توده‌ای و snBulk تعداد قابل‌مقایسه‌ای از GTA را به دست آوردند (1494 در مقابل 1254 ژنی که توسط هر دو TIM قابل انتساب هستند، 882 در snBulk و 965 اینچ = 0.09).

در سطوح بالاتر وضوح سلولی، زیر کلاس snTIM ها منحصر به فرد ترین ارتباط های قابل توجه (3003 ژن در همه صفات) را شناسایی کردند و پس از آن کلاس (2470) و snBulk (1254) snTIM قرار گرفتند. این پیشرفت بر توانایی افزایش یافته رزولوشن سلولی بهتر برای کشف GTA ها تاکید می کند (شکل 2a و شکل تکمیلی 5).

a , Heatmap از GTAهای قابل توجه با وضوح TIM (انبوه، snBulk، کلاس و زیر کلاس). اعداد در سلول‌ها و اندازه مربع نشان‌دهنده تعداد قابل‌توجه GTA هستند (تحلیل رگرسیون لجستیک؛ P≤ 0.05 P≤ با تنظیم FDR؛ تنظیم FDR در همه صفات و TIMها برای برابری انجام می‌شود). "همه" به اتحاد همه صفات در سطح TIM اشاره دارد. رنگ سلول نشان‌دهنده شاخص Jaccard مختص صفت است، که به عنوان کسری از GTAهای مهم در آن سطح (x) تعریف می‌شود که با اتحاد GTAهای مهم در همه سطوح برای یک صفت همپوشانی دارند (\(\frac{{|x}\cap {all}|}{{|x}\cup {all}|}\)).

نام کامل اختلالات در جدول تکمیلی 12 شرح داده شده است. ب، غنی‌سازی OR (آزمایش دقیق فیشر) GTAها برای مجموعه‌های ژنی مرتبط بالینی شامل ژن‌هایی که با علائم عصبی و رفتاری یا روان‌پزشکی مرتبط با سیستم عصبی مرکزی مرتبط هستند (به روش‌ها مراجعه کنید) در سطوح مختلف تفکیک سلولی. تقاطع نشان دهنده اندازه تقاطع بین ژن های مرتبط بالینی و GTA است. ستاره ها اهمیت را نشان می دهند (*P دو طرفه تنظیم شده با FDR ≤ 0.05، ** P دو طرفه تنظیم شده با FDR ≤ 0.01 و *** P دو طرفه تنظیم شده با FDR ≤ 0.001).

«همه» به غنی‌سازی مجموعه‌های ژنی برای هر TIM در تمام صفات اشاره دارد. نوارهای خطا فاصله اطمینان 95% را منعکس می کنند. خط چین عمودی نشان‌دهنده OR = 1 است. آمارهای همراه، از جمله اندازه‌های نمونه مورد استفاده برای استخراج فواصل اطمینان (ستون "تقاطع") و مقدار دقیق P (ستون "مقدار P") در جدول تکمیلی 13 ارائه شده‌اند. ج، نمودار جنگلی نشان دهنده شناسایی ترجیحی «رمز» در مقابل GTAهای شناخته شده در کلاس و زیر کلاس در مقابل snBulk. ژن‌های جدید به عنوان ژن‌هایی تعریف می‌شوند که در آنالیزهای TWAS یا MAGMA انبوه شناسایی نمی‌شوند.

OR نشان‌دهنده غنی‌سازی (آزمایش دقیق فیشر) برای ژن‌های جدید در هر سطح (در همه طبقات یا در همه زیر کلاس‌ها) در مقابل snBulk است. برای شناسایی ژن‌های غیرجدید برای آنالیز «همه»، ما از ترکیب ژن‌های مهم TWAS توده‌ای (P ≤ 0.05 P ≤ با تنظیم FDR) و ژن‌های معنی‌دار MAGMA (P ≤ 0.05 با FDR تنظیم‌شده) در همه صفات استفاده کردیم، سپس آزمایش کردیم (تغییر طبقه‌بندی‌های دوطرفه-DR-subclass. P ≤ 0.05؛ اتحاد در همه صفات) در برابر ژن های مهم snBulk (P ≤ 0.05 تنظیم شده با FDR؛ اتحاد در همه صفات).

تقاطع نشان دهنده اندازه تقاطع بین ژن های جدید و GTA است. ستاره ها معنی داری را نشان می دهند (*FDR ≤ 0.05، **FDR ≤ 0.01 و ***FDR ≤ 0.001). نوارهای خطا فاصله اطمینان 95% را منعکس می کنند. خط چین عمودی نشان‌دهنده OR = 1 است. آمارهای همراه، از جمله اندازه‌های نمونه مورد استفاده برای استخراج فواصل اطمینان (ستون 'FinerCT Novel') و مقدار دقیق P (ستون 'مقدار P') در جدول تکمیلی 17 ارائه شده است. d , Fine-mapping of S-snTWAS signals.

در هر سلول نقشه حرارتی، اعداد بالا و پایین به ترتیب تعداد ژن‌ها و مکان‌های نقشه‌برداری دقیق را نشان می‌دهند (PIP ≥ 0.5) (پس از تنظیم FDR). رنگ نشان دهنده تعداد ژن در هر مکان است. نقشه برداری دقیق با FOCUS برای هر نوع سلول انجام شد. ردیف «میانگین» میانگین ژن‌ها در هر مکان را در 12 صفت نشان می‌دهد. خط چین افقی دسته بندی خلاصه ("همه" یا "متوسط") را در پانل ها جدا می کند. ALS، اسکلروز جانبی آمیوتروفیک؛ ام اس، ام اس.

برای تعیین اینکه آیا تعداد بیشتری از GTA شناسایی شده توسط TWAS نوع سلولی از نظر بالینی مرتبط است یا خیر، ما تجزیه و تحلیل غنی سازی مجموعه ژنی را برای ژن هایی انجام دادیم که با علائم عصبی و رفتاری یا روانپزشکی مرتبط با سیستم عصبی مرکزی در پایگاه داده آنلاین وراثت مندلی در مرد 22 مرتبط هستند. تجزیه و تحلیل‌های Bulk و snBulk غنی‌سازی قابل‌توجهی را برای ژن‌های مرتبط با 5 و 4 از 12 NPDs و NDDs نشان داد، در حالی که کلاس و زیر کلاس به ترتیب 11 و همه 12 صفت را دریافت کردند (شکل 2b و جدول تکمیلی 13).

این افزایش گام به گام از بهبود ارتباط بیولوژیکی و بالینی TWAS در وضوح سلولی بالاتر پشتیبانی می کند.

ما در مرحله بعد ارزیابی کردیم که آیا وضوح سلولی بالاتر ترجیحا GTAهای «جدید» را در مقابل «معروف» شناسایی می کند یا خیر. اگر GTA با S-TWAS انبوه (جدول تکمیلی 14؛ تجزیه و تحلیل DLPFC TWAS همگن از همان GWAS) یا با تجزیه و تحلیل چند نشانگر از حاشیه نویسی ژنومی (MAGMA) تجزیه و تحلیل مبتنی بر ژن شناسایی نشود، GTA شناسایی نشده باشد. آمار خلاصه GWAS به تنهایی. Across all traits and snTIMs, 22.5% of significant GTAs were novel (3,711 of 16,345; Supplementary Table 16 and external data 1 (ref. 20 ).

snTIMهای زیر کلاس بیشتر احتمال دارد که GTAهای جدید را شناسایی کنند (شکل 2c؛ غنی سازی قابل توجه در 11 صفت از 12 صفت؛ تست دقیق فیشر FDR تنظیم شده دو طرفه P ≤ 0.05)، به ویژه در زیر کلاس نورون های تحریکی زیر طبقه، در لایه های نورون های فرعی 6B (L6B) برای اختلالات عصبی (L6B) vasoactive intestinal peptide-expressing interneurons for anorexia nervosa (Supplementary Table 17 and Supplementary Fig. 6 ). این نتایج نشان می‌دهد که تحلیل‌های سطح حجیم بخش قابل‌توجهی از سیگنال‌های بیماری خاص نوع سلولی را که توسط snTWAS کشف می‌شوند، از دست می‌دهند.

از آنجا که چندین GTA می توانند در یک مکان به دلیل عدم تعادل پیوندی رخ دهند 10، 25، ما در مرحله بعد نقشه برداری دقیق احتمالی را با استفاده از نقشه برداری دقیق مجموعه های ژنی علی (FOCUS) 25 برای شناسایی ژن های احتمالی علی انجام دادیم. به طور متوسط، 60.8% از GTAهای قابل توجه (9936 از 16345) پس از نقشه برداری دقیق باقی ماندند (شکل 2d و جدول تکمیلی 18)، با اکثر جایگاه ها حاوی یک ژن با احتمال انکلوژن خلفی (PIP) ≥ 0.5، که نشان دهنده 50% یا بیشتر شبیه به تعداد بیشتر است. 7).

افزایش وضوح نوع سلولی، نسبت ژن‌های ریزنقشه‌دار به جایگاه‌ها را افزایش داد (یادداشت تکمیلی 6). این مشاهدات نشان می‌دهد که جمعیت‌های سلولی متمایز ممکن است به طور منحصربه‌فردی در مکان‌های مشترک مشارکت داشته باشند که مطالعات عملکردی بیشتری را تضمین می‌کند. با این حال، snTIM هایی با وضوح کمتر از نوع سلول ممکن است از افزایش قدرت آماری بهره مند شوند، که می تواند به بهبود دقت نقشه برداری کمک کند.

برای تعیین کمیت رسمی میزان ویژگی نوع سلولی GTAها در هر صفت، از انقباض تطبیقی ​​چند متغیره (mash 26) برای تخمین احتمالات خلفی اثرات خاص نوع سلول استفاده کردیم. در تمام صفات، 20.9 درصد از GTAها (701 از 3348) شواهدی از اثرات خاص نوع سلولی را نشان دادند (جدول تکمیلی 19)، و 34.2 درصد از آنها در یک نوع سلولی ظاهر شدند (شکل 3a). در سطح کلاس، کلاس-ایمنی بیشترین درجه ویژگی را در بین صفات متعدد نشان داد (شکل 3b، داده های توسعه یافته شکل 3a، جدول تکمیلی 20 و شکل تکمیلی 8).

در میان موفقیت‌های برتر، CACNA1C اثرات بسیار ویژه‌ای را در نورون‌های بازدارنده کلاس برای اسکیزوفرنی نشان داد (SCZ؛ داده‌های توسعه‌یافته شکل 3a، جدول تکمیلی 20 و شکل تکمیلی 8)، مطابق با نقش عملکردی تثبیت‌شده آن در پاتوفیزیولوژی SCZ 27.

a، mash روی نتایج S-snTWAS اعمال شد تا به طور مشترک اثرات GReX را در سطح کلاس برای همه صفات آزمایش کند. نمودارهای نواری انباشته با فرکانس نسبی، درصد ژن‌های دارای GTA پس از مخلوط قابل‌توجه را در یک، دو، سه، چهار و پنج نوع سلول (سمت چپ) و تجزیه مربوطه آنها به GTA در snBulk S-snTWAS (راست) به صورت معنی‌دار (نارنجی) یا نه (آبی) نشان می‌دهند. کلاس‌های اندو و دیواری به دلیل پراکندگی بالا در مقایسه با سایر snTIMهای سطح کلاس (INs، ENs، الیگوسیت، OPCs، آستروسیت و ایمنی) از تجزیه و تحلیل مش حذف شدند.

فقط S-snTWAS GTAهایی که در حداقل یکی از شش نوع سلول دارای mash قابل توجهی بودند (نرخ علامت غلط محلی ≤ 0.05) و در هر شش نوع سلولی مشهود نبودند. ب، نمودارهای نواری انباشته فرکانس نسبی که تجزیه GTAهای خاص نوع سلولی پس از مخلوط شدن را نشان می دهد (GTAهایی که فقط در یک نوع سلول شناسایی شده اند) از پانل a . عدد در کنار هر صفت نشان‌دهنده تعداد کل GTAهای اختصاصی نوع سلولی پس از مخلوط کردن است که در هر صفت در شش نوع سلول مورد تجزیه و تحلیل یافت شده است. انواع سلول ها بر اساس فرکانس آنها در GTA های ترکیبی مخصوص صفت مرتب می شوند.

نام کامل اختلالات در جدول تکمیلی 12 شرح داده شده است. نام کامل همه انواع سلول ها در جدول تکمیلی 3 تعریف شده است. ج، ناهمگونی اندازه اثر ارتباط ژن (I2) در انواع سلول برای AD. اهمیت نشان دهنده وجود اثرات مختلف انواع سلول های فردی در آنالیز است (آزمون کیو کوکران). تنها ژن‌هایی با GTA قابل‌توجه (تحلیل رگرسیون لجستیک؛ P≤ 0.05 P≤ FDR تنظیم‌شده) معنی‌دار مشاهده شدند. خط چین افقی این آستانه اهمیت را نشان می دهد. رنگ مربوط به نوع سلول است (داده های توسعه یافته شکل 2).

نقاط با ناهمگونی قابل توجه (کوکران با آزمون Q-FDR تنظیم شده دو طرفه P ≤ 0.05؛ دایره ها) برای تجسم بهتر دو برابر می شوند. d، غنی سازی مسیر رقابتی snTWAS آگاه از عدم تعادل پیوند. عدد در هر سلول نشان دهنده تعداد مسیرهای مهم FDR (در تمام snTIM ها اصلاح شده) پس از هرس سلسله مراتبی است (به روش ها مراجعه کنید). رنگ نشان دهنده نسبت تمام مسیرهای مهم شناسایی شده در هر جمعیت سلولی برای هر صفت است.

CT، کورتیکوتلامیک؛ ET، extratelencephalic; IT، intratelencephalic; NP، نزدیک به طرح. PC، پری سیت؛ PVM، ماکروفاژ دور عروقی؛ SMC، سلول ماهیچه صاف؛ VLMC، سلول لپتومننژال عروقی.