作者投稿
专家审稿
编辑办公
邮件订阅
RSS
Single-cell Transcriptome Analysis of Sertoli Cells under High-altitude Environment Reveals Reproductive Toxicity Mechanisms
-
摘要:目的
绘制低压低氧环境暴露下睾丸组织单细胞转录组图谱，并进行支持细胞多样性分析，以期为开展生殖毒性机制相关研究提供新思路。
方法取健康雄性小鼠20只，采用随机数字表法分为对照组(n=10)和低压低氧组(n=10)。其中对照组于正常环境下饲养，低压低氧组暴露于低压缺氧环境(压强=14 kPa，氧含量=14.5%)。6周后，取两组小鼠睾丸组织，采用Singleron MatrixTM单细胞平台与Illumina NovaSeq二代测序技术获取转录组图谱并进行聚类、拟时序轨迹分析、功能分析、转录因子和细胞通讯研究。
结果成功构建睾丸组织单细胞转录组图谱，其包含6个样本，总计约49 027个细胞，覆盖11种细胞类型。通过非负矩阵分解算法可将支持细胞聚类为4个亚群。其中亚群3可能对缺氧刺激更为敏感，通过影响PTN表达水平、调控精母细胞的细胞周期，以减少低压低氧所引发的生殖细胞功能损伤，PTN-PTPR通路可能为支持细胞对精原细胞发挥调控作用的一个重要调控节点；亚群4可通过KITLG-KIT信号通路在低压低氧环境暴露后调节精原细胞的细胞周期，影响精子发育。
结论基于单细胞测序技术首次揭示了支持细胞在低压低氧暴露中的分子基础和调控讯号，从单细胞层面深入探究了低压低氧环境刺激所引发的生殖毒性机制，为后续开展相关临床研究提供了新视角。
Abstract:ObjectiveTo construct a single-cell transcriptomic map of testicular tissue under hypobaric hypoxia exposure and perform diversity analysis of supportive cells, aiming to provide new insights into the mechanisms of reproductive toxicity for future research.
MethodsTwenty healthy male mice were randomly divided into a control group (n=10) and a hypobaric hypoxia group (n=10). The control group was raised under normal conditions, while the hypobaric hypoxia group was exposed to a low-pressure hypoxic environment(pressure=14 kPa, oxygen content=14.5%). After 6 weeks, testicular tissue from both groups of mice was collected, and the transcriptomic map was obtained using the Singleron MatrixTM single-cell platform and Illumina NovaSeq second-generation sequencing technology. Clustering, pseudo-temporal trajectory analysis, functional analysis, transcription factor and cellular communication research were conducted.
ResultsA single-cell transcriptomic map of testicular tissue was successfully constructed, including 6 samples with a total of approximately 49 027 cells covering 11 cell types. Supportive cells were clustered into 4 subgroups using non-negative matrix factorization algorithm. Subgroup 3 may be more sensitive to hypoxic stimulation and could reduce reproductive cell function damage caused by hypobaric hypoxia by affecting PTN expression levels and regulating the cell cycle of spermatogonia. The PTN-PTPR pathway may be an important regulatory node for supportive cells to regulate spermatogonia. Subgroup 4 could regulate the cell cycle of spermatogonia after exposure to hypobaric hypoxia through the KITLG-KIT signaling pathway, thus affecting sperm development.
ConclusionsBased on single-cell sequencing technology, the molecular basis and regulatory signals of supportive cells under hypobaric hypoxia exposure is revealed for the first time. It provides an in-depth exploration of the mechanisms of reproductive toxicity induced by hypobaric hypoxia at the single-cell level, offering a new perspective for future clinical research in this field.
-
心脏骤停是成人猝死的主要原因之一[1]，是急救医学关注的重要领域[2]。一项基于美国急诊科心脏骤停患者的研究发现，心脏骤停的发病率逐年增加，患者住院生存率仅为28.7%[3]。尽管临床实践一直积极探索和改进心脏骤停的治疗方法，但目前国内外心脏骤停的发生率及由此导致的死亡率仍然很高[4-5]。根据患者的生存观测期，现有研究将心脏骤停存活率的研究区间划分为“立即”[即自主循环恢复(return of spontaneous circulation，ROSC)]、“短期”(即院内生存)和“长期”(即6~12个月)[6]。多数心脏骤停患者的死亡发生在复苏后，尤其是最初ROSC后的24 h内[6]。既往研究显示，年龄、合并症、病因、心脏骤停发生地点、初始心脏节律、疾病严重程度评分及干预措施等因素可能影响心脏骤停患者的预后[7-8]，但目前仍缺乏有效的预测体系。因此，构建心脏骤停患者预后的有效预测模型具有重要理论与实践意义。本研究基于美国重症监护医学信息数据库Ⅳ(medical information mart for intensive care-Ⅳ，MIMIC-Ⅳ)2.0的数据，系统分析心脏骤停患者院内死亡的影响因素并构建其预测模型。
1. 资料与方法
1.1 研究对象
本研究数据来源于MIMIC-Ⅳ 2.0(http://mimic.physionet.org/)，该数据库包含2008—2019年间急诊科或ICU收治的所有患者数据。
研究对象纳入标准：(1)具有ICU住院记录；(2) 入院年龄≥18岁；(3)出院诊断包含心脏骤停。其中，出院诊断由国际疾病分类(international classification of diseases，ICD)编码确定(ICD-9编码为“4275”，ICD-10编码为“I46”“I462”“I468”和“I469”)。
本研究的主要结局指标为院内死亡，并据此将患者分为院内死亡组和院内存活组。
研究已通过机构合作培训倡议(Collaborative Institutional Training Initiative，CITI)使用规范在线测试，并获得了使用数据库的官方许可(许可证号：11000239)，研究过程遵循其相关指南，研究所有程序均遵循《赫尔辛基宣言》最新修订版要求。
1.2 数据提取与处理
1.2.1 数据提取
采用PostgreSQL 14.0软件对数据进行提取，主要资料如下: (1)一般临床资料：包括性别、年龄、入院途径、身高、体质量、合并症、入院时间、出院时间、入住ICU时间、离开ICU时间、入住ICU 24 h内的疾病严重程度评分、是否合并脓毒症。疾病严重程度采用格拉斯哥昏迷评分(Glasgow coma scale，GCS)表示，器官损伤采用序贯器官功能衰竭评分(sequential organ failure assessment，SOFA)表示，其中GCS评分为入住ICU 24 h内的最低值，SOFA评分为入住ICU 24 h内首次评分。合并症评价指标采用经年龄调整后的查尔森合并症指数(Chalson comorbidity index，CCI)。(2)生命体征：患者入住ICU 24 h内血压、心率、呼吸频率、体温的最高值和最低值。(3)实验室检查：患者入住ICU 24 h内动脉血气乳酸水平的最高值和最低值。(4)干预措施：患者在ICU内是否经历有创机械通气、是否使用过血管活性药物(包括肾上腺素、去甲肾上腺素、血管升压素)。(5)超声心动图检查：患者是否进行超声心动图检查，包括经胸及经食管超声心动图检查。
1.2.2 数据处理
采用PostgreSQL 14.0软件对数据进行处理，并辅以STATA 17.0软件进行数据清洗、预处理及数据合并。对于数据库中缺失的数据，本研究中采用多重插补方法，以提高数据集质量。其中，多重插补选择MICE(multiple imputation by chained equations) 算法中的预测均值匹配法(predictive mean matching，PMM)。MICE算法是一种处理数据集中缺失数据的稳健、信息丰富的方法，其通过一系列迭代的预测模型估算数据集中的缺失数据。PMM法又称随机回归插补法，其是回归插补法的变形，插补值是由回归模型的预测值加上一个随机产生的误差值结合而成。本研究中的缺失值在数据集中随机分布，且所缺失的数据均为连续变量，因此采用PMM。
1.3 统计学处理
本研究采用R软件(4.3.1版)和SPSS软件(23.0版)进行统计分析。对患者的基本特征进行统计描述，分类变量以频数(百分数)表示，组间比较采用χ2检验或Fisher精确概率法。符合正态分布的连续变量以均数±标准差表示，组间比较采用t检验；不符合正态分布的连续变量以中位数(四分位数)表示，组间比较采用Mann-Whitney U检验。
基于最小赤池信息量准则(Akaike information criterion，AIC)，对各变量进行逐步回归分析(前向)以筛选重要的预测指标。选取逐步回归分析结果中P＜0.05的变量，进一步构建多因素Logistic回归模型。基于多变量Logistic回归结果，绘制受试者操作特征(receiver operator characteristic，ROC)曲线及校准曲线，分别对预测模型的区分度和一致性进行评价，其中使用R语言的R包pROC计算和绘制ROC曲线下面积(area under the ROC curve，AUC)的95% CI(由2000次分层引导复制计算得到)，同时对预测模型进行性能评价。最后，创建评估患者死亡风险的动态诺模图计算器。双侧检验，以P＜0.05为差异具有统计学意义。
2. 结果
2.1 一般临床资料
根据ICD-9或ICD-10编码的出院诊断，本研究从MIMIC-Ⅳ 2.0数据库中共提取2041例心脏骤停患者信息，排除无ICU住院记录者269例，最终入选1772例患者，具体筛选流程详见图 1。
1772例心脏骤停患者的平均年龄为(64.93±16.52)岁，其中女性705例(39.8%)，共963例(54.3%)发生了院内死亡。院内死亡组与院内存活组患者在人口学特征、生命体征、实验室检查、各项评分及干预措施等方面差异具有统计学意义(P均＜0.05)，详见表 1。
表 1 院内死亡组与院内存活组患者的一般临床资料指标 院内死亡组(n=963) 院内存活组(n=809) P值 人口学特征 年龄(x±s，岁) 66.31±16.57 3.29±16.33 ＜0.001 女性[n(%)] 410(42.6) 295(36.5) 0.009 BMI(x±s，kg/m2) 28.13±7.39 29.13±7.93 0.006 急诊入院[n(%)] 537(55.8) 418(51.7) 0.085 潜在心脏病因引起心脏骤停[n(%)] 43(4.5) 108(13.3) ＜0.001 生命体征(x±s) SBP(min，mm Hg) 77.77±23.78 87.11±18.73 ＜0.001 SBP(max，mm Hg) 148.76±31.91 152.80±25.83 0.004 DBP(min，mm Hg) 40.14±14.52 45.56±12.69 ＜0.001 DBP(max，mm Hg) 89.23±24.44 89.77±19.16 0.610 HR(min，次/min) 69.56±21.41 65.14±16.13 ＜0.001 HR(max，次/min) 111.13±25.68 103.26±24.35 ＜0.001 RR(min，次/min) 13.66±5.31 12.55±4.28 ＜0.001 RR(max，次/min) 30.32±8.42 27.95±6.44 ＜0.001 T(min，℃) 35.41±1.59 36.12±1.12 ＜0.001 T(max，℃) 36.67±1.60 37.32±1.00 ＜0.001 SpO2(min，%) 85.80±13.84 91.69±6.63 ＜0.001 SpO2(max，%) 98.67±4.30 99.73±0.83 ＜0.001 实验室检查(x±s，mmol/L) Lac(min) 3.63±3.10 1.93±1.35 ＜0.001 Lac(max) 6.11±4.71 3.85±2.95 ＜0.001 GCS[min，M(P25，P75)] 14(5，15) 14(9，15) 0.758 SOFA评分[M(P25，P75)] 10(6，13) 7(4，11) ＜0.001 呼吸系统 2(0，4) 2(0，4) ＜0.001 血液系统 0(0，1) 0(0，1) ＜0.001 肝脏系统 0(0，1) 0(0，0) ＜0.001 循环系统 4(1，4) 1(1，4) ＜0.001 中枢系统 1(0，4) 1(0，3) 0.600 肾脏系统 2(1，3) 1(0，2) ＜0.001 经年龄调整后的CCI评分[M(P25，P75)] 6(4，9) 6(4，8) ＜0.001 年龄评分[M(P25，P75)] 4(2，4) 3(2，4) ＜0.001 心肌梗死[n(%)] 262(27.2) 255(31.5) 0.047 充血性心衰[n(%)] 355(36.9) 365(45.1) ＜0.001 周围血管性疾病[n(%)] 152(15.8) 107(13.2) 0.129 脑血管疾病[n(%)] 176(18.3) 105(13.0) 0.002 痴呆[n(%)] 35(3.6) 24(3.0) 0.435 慢性肺部疾病[n(%)] 246(25.5) 208(25.7) 0.937 风湿性疾病[n(%)] 35(3.6) 23(2.8) 0.351 消化性溃疡[n(%)] 24(2.5) 28(3.5) 0.229 中度肝脏疾病[n(%)] 172(17.9) 108(13.3) 0.010 无并发症的糖尿病[n(%)] 271(28.1) 208(25.7) 0.251 有并发症的糖尿病[n(%)] 115(11.9) 129(15.9) 0.015 偏瘫[n(%)] 35(3.6) 30(3.7) 0.934 肾脏疾病[n(%)] 279(29.0) 239(29.5) 0.792 恶性肿瘤[n(%)] 137(14.2) 63(7.8) ＜0.001 重度肝脏疾病[n(%)] 61(6.3) 22(2.7) ＜0.001 实体肿瘤伴转移[n(%)] 69(7.2) 14(1.7) ＜0.001 AIDS[n(%)] 7(0.7) 3(0.4) 0.319 脓毒症[n(%)] 649(67.4) 530(65.5) 0.403 干预措施 有创机械通气[n(%)] 682(70.8) 507(62.7) ＜0.001 血管活性药物[n(%)] 去甲肾上腺素 648(67.3) 364(45.0) ＜0.001 多巴胺 184(19.1) 97(12.0) ＜0.001 血管升压素 341(35.4) 112(13.8) ＜0.001 心脏超声[n(%)] 318(33.0) 311(38.4) 0.018 经胸超声 293(30.4) 289(35.7) 0.018 经食管超声 46(4.8) 47(5.8) 0.331 BMI：体质量指数；SBP：收缩压；DBP：舒张压：HR：心率；RR：呼吸频率；T：体温；SpO2：脉搏氧饱和度；Lac：动脉乳酸；GCS：格拉斯哥昏迷评分；SOFA：序贯器官功能衰竭评分；CCI：查尔森合并症指数；min：最小值；max：最大值；AIDS：获得性免疫缺陷综合症 2.2 逐步回归变量筛选
逐步回归分析结果表明，与心脏骤停患者院内死亡相关的预测因素包括：心脏骤停病因诊断、经年龄调整后的CCI评分、体质量指数(body mass index, BMI)、入住ICU 24 h内生命体征、入住ICU 24 h内乳酸水平最低值、入住ICU 24 h内GCS评分最低值、心脏超声检查、有创机械通气及血管升压素的使用(表 2)。
表 2 心脏骤停患者院内死亡相关预测因素的逐步回归变量筛选结果变量 OR 95% CI P值 潜在心脏病因引起心脏骤停 0.824 0.764~0.888 ＜0.001 经年龄调整后的CCI评分 1.023 1.016~1.030 ＜0.001 BMI(kg/m2) 0.997 0.994~1.000 0.038 HR(min，次/min) 1.002 1.001~1.003 0.002 HR(max，次/min) 1.001 1.000~1.002 0.008 SBP(max，mm Hg) 0.999 0.998~1.000 0.021 DBP(min，mm Hg) 0.996 0.994~0.998 ＜0.001 T(min，℃) 0.972 0.953~0.991 0.004 T(max，℃) 0.956 0.937~0.976 ＜0.001 SpO2(min，%) 0.996 0.993~0.998 ＜0.001 Lac(min，mmol/L) 1.033 1.020~1.045 ＜0.001 GCS(min) 0.990 0.985~0.996 0.001 心脏超声 0.936 0.895~0.979 0.004 有创机械通气 1.137 1.075~1.203 ＜0.001 血管升压素 1.067 1.012~1.125 0.017 CCI、BMI、SBP、DBP、HR、RR、T、SpO2、Lac、GCS、min、max: 同表 1 2.3 多因素Logistic回归模型及预测评价
将逐步逻辑回归中P＜0.05的变量放入多因素Logistic回归建立预测模型(表 3)。该模型的灵敏度和特异度分别为73.1%(95% CI：0.702~0.759)和71.6%(95% CI：0.683~0.745)，阳性预测值和阴性预测值分别为0.754(95% CI：0.724~0.781)和0.691(95% CI：0.658~0.722)，阳性似然比和阴性似然比分别为2.571(95% CI：2.290~2.887)和0.375(95% CI：0.338~0.417)。
表 3 多因素Logistic回归模型变量 OR 95% CI P值 潜在心脏病因引起心脏骤停 0.324 0.207~0.498 ＜0.001 经年龄调整后的CCI评分 1.115 1.074~1.159 ＜0.001 BMI(kg/m2) 0.985 0.971~1.000 0.053 HR(min，次/min) 1.016 1.008~1.023 ＜0.001 HR(max，次/min) 1.006 1.001~1.012 0.014 SBP(max，mm Hg) 0.998 0.993~1.002 0.256 DBP(min，mm Hg) 0.984 0.975~0.992 ＜0.001 T(min，℃) 0.863 0.772~0.963 0.009 T(max，℃) 0.719 0.638~0.809 ＜0.001 SpO2(min，%) 0.967 0.954~0.980 ＜0.001 Lac(min，mmol/L) 1.335 1.239~1.445 ＜0.001 GCS(min) 0.961 0.937~0.986 0.003 心脏超声 0.710 0.560~0.898 0.004 有创机械通气 2.023 1.515~2.714 ＜0.001 血管升压素 1.358 1.051~1.757 0.019 CCI、BMI、SBP、DBP、HR、RR、T、SpO2、Lac、GCS、min、max: 同表 1 2.4 ROC曲线
基于多因素Logistic回归分析结果，心脏骤停患者院内死亡预测模型的ROC曲线下面积为0.806(95% CI：0.786~0.826)，其最佳临界值点为0.304(灵敏度为64.8%，特异度为81.5%)，详见图 2。
2.5 校准曲线
心脏骤停患者院内死亡预测模型的校准曲线显示，模型拟合曲线与虚线较为一致，提示其预测性能较好(图 3)。
2.6 模型性能评价
采用R2(R-Squared)、均方误差(mean square error，MSE)、均方根误差(root mean square error，RMSE)、平均绝对误差(mean absolute error，MAE)、AIC、F1分数及P值指标对预测模型进行评价(表 4)。其中，MSE、RMSE、MAE、AIC值越小，则模型的拟合效果越好；而R2、F1分数越接近1，说明模型的预测性能越好。
表 4 模型的性能评价指标R2 均方误差 均方根误差 平均绝对误差 赤池信息量准则 F1分数 P值 0.238 2.234 1.495 1.126 1924.5 0.70 ＜0.001 2.7 动态诺模图
研究进一步创建线上动态诺模图以预测患者的死亡风险(https://linqingting.shinyapps.io/DynNomapp/)。在诺莫图中，输入患者的各项数值，即可获得其总风险得分，以评估每例患者的院内死亡率。患者死亡风险预测动态诺莫图示例详见图 4。
![]()
图 4 心脏骤停患者死亡风险预测动态诺莫图示例Charlson_ comorbidity_ index：查尔森合并症指数；BMI：同表 1；heart_ rate_ min：24 h心率最低值；heart_ rate_ max：24 h心率最高值；SBP_ max：24 h收缩压最高值；DBP_ min：24 h舒张压最低值；temperature_ min：24 h体温最低值；temperature_ max：24 h体温最高值；SpO2_min：24 h脉搏氧饱和度最低值；lactate_ min：24 h乳酸水平最低值；GCS_ min：格拉斯哥昏迷评分最低值：Echo：是否进行心脏超声检查；Va：是否使用血管升压素；ventilation_ s：是否使用有创机械通气3. 讨论
本研究主要纳入了心脏骤停患者的生命体征、年龄调整后的CCI评分，以及实验室检查等常见指标，通过多因素Logistic回归构建了心脏骤停患者院内死亡风险的预测模型。该预测模型的指标包括：心脏骤停病因诊断、经年龄调整后的CCI评分、BMI、入住ICU 24 h内的生命体征、入住ICU 24 h内的乳酸水平最低值、入住ICU 24 h内的GCS最低值、超声心动图检查、有创机械通气及血管升压素的使用。AUC及校正曲线显示，该模型的预测性能良好。
在心脏骤停病因诊断方面，本研究发现潜在心脏疾病引起的心脏骤停患者相对而言具有更低的院内死亡率。据研究统计，引发心脏骤停的常见病因以心脏疾病为主，约占50%以上，包括心肌梗死、心律失常和心力衰竭[6]，及时识别潜在的心脏病因有助于患者预后的改善[9]。既往研究亦表明，因心血管病因引起的院内心脏骤停预后较好[10]，其原因可能与心血管疾病具有针对性的治疗措施，在治疗原发病因的基础上，患者ROSC的成功率更高。在合并症方面，多因素Logistic回归分析发现，经年龄调整后的CCI评分升高可增加心脏骤停患者的院内死亡率。Sjoding等[11]研究指出，合并症是影响临床结局的重要混杂因素，根据疾病严重程度和合并症进行调整的观察性研究与真实环境的治疗效果较为接近。而在心脏骤停相关研究中，通常忽略了对合并症因素的调整[12]。在评分方法中，CCI评分被认为是临床研究中预测死亡风险的黄金标准工具[13]。2项大型回顾性研究均表明，CCI评分的增加与院外心脏骤停患者的生存率降低相关[14-15]。本研究结果显示，接受心脏超声检查的心脏骤停患者院内死亡率更低。心脏超声是一种无创检查措施，可提供心脏解剖及功能相关信息，帮助临床医生对危重症患者进行快速诊断和评估，并对血流动力学障碍进行监测，有助于指导临床治疗策略的调整，从而改善患者预后。研究显示，采用心脏超声连续监测心脏骤停患者的心脏收缩功能及血流动力学参数，有助于预测患者的长期死亡率[16]。上述研究结果均表明，超声心动图可为临床医师提供有价值的医疗信息，帮助其调整治疗方案，从而改善心脏骤停患者的管理，并评估临床治疗效果。
其他因素方面，既往研究表明，早期异常生命体征和入院早期高乳酸水平是ICU心脏骤停患者不良预后的有效预测指标[17-18]。因此，持续监测和早期识别，以及积极干预异常生命体征和高乳酸水平，对于改善患者院内死亡结局具有重要意义。BMI方面，本研究发现较低的BMI与较高的生存率相关。一项关于心脏骤停患者的回顾性研究发现，较低的BMI与较高的生存率及良好的神经功能预后相关[19]，较高的BMI可能不利于胸外按压保持足够深度。气道管理方面，建立高级气道可通过减少按压中断保持高质量的胸外按压[20-21]，但目前研究证据不支持对心脏骤停患者进行早期气管插管[22]。GCS评分是一种用于评估患者意识水平的神经学评分，入院时的GCS评分可预测心脏骤停患者的短期预后及出院生存率[23]。目前血管升压素主要用于对容量复苏无反应的分布性休克危重症患者，被指南推荐为感染性休克的二线用药[24]。研究表明，在接受血管升压素治疗的感染性休克患者中，血管升压素起始时去甲肾上腺素的用量越高，其住院死亡率越高[25]，但并无明确证据表明血管升压素影响患者的短期或长期生存率[26]。
本研究亦存在一定局限性。首先，研究是基于公开数据库的回顾性分析，其所构建的预测模型未进行外部验证，我国目前尚缺乏相关公开数据库，后续研究团队将前瞻性收集心脏骤停事件的相关数据，对模型进行前瞻性验证。其次，受数据来源的限制，研究无法确定样本中患者心脏骤停的发生时间、地点(院前或院内)及患者的初始治疗情况，可能对预测模型的适用人群具有一定影响，未来需开展前瞻性研究以进一步评估预测模型的性能。再次，MIMIC-Ⅳ 2.0数据库仅对患者的出院诊断进行ICD编码，无法确定纳入患者的入院诊断，因此本预测模型的科学性及有效性尚待进一步验证。此外，本研究基于美国医学数据库构建预测模型，其是否适用于中国人群尚需进一步评价。
综上，本研究基于MIMIC-Ⅳ 2.0数据库构建了包含经年龄调整后的CCI评分、BMI、入住ICU 24 h内生命体征、乳酸水平等因素的多因素预测模型，并建立了在线风险评分系统，该模型的AUC值为0.806，灵敏度为73.1%，特异度为71.6%，具有一定的预测价值。预测模型所包含的指标在临床中简便易得，可能有助于心脏骤停患者院内死亡的预测，未来需开展前瞻性研究以进一步评价模型在临床应用中的预测性能。
作者贡献：吉运华负责实验设计、实施及论文撰写；王林猛、姚振负责图表制作及数据分析；谭啸、郭煦妍、侯皓中、张波负责论文修订及终稿审核。利益冲突：所有作者均声明不存在利益冲突 -
![]()
图 1 睾丸细胞类型鉴定和聚类分析
A.睾丸单细胞UMAP图谱；B.各类型细胞的细胞标记气泡图；C.各样本的UMAP图谱
Figure 1. Identification and clustering analysis of testicular cell types
A.UMAP plot of testicular single cells; B.Bubble plot of cell markers for each cell type; C.UMAP plots of each sample
![]()
图 2 单细胞转录组亚群聚类与细胞周期分析
A.UMAP可视化对支持细胞亚群细胞团的注释；B.条形图显示各细胞亚群占比的条形图；C.小提琴曲线图表示每个细胞团选定的标记基因，颜色表示每种细胞类型的标记基因；D.条形图显示处于不同细胞周期阶段的细胞百分比；E.低压低氧暴露后睾丸细胞周期蛋白Cyclin A1、CDK2、Cyclin E1、CDK1、Cyclin B1表达显著降低；F.蛋白定量分析结果; #P＜0.01，*P＜0.05
Figure 2. Single-cell transcriptomic subpopulation clustering and cell cycle analysis
A.UMAP visualization annotating supportive cell subpopulations clusters; B.Bar plot displaying the proportions of each cell subpopulation; C.Violin plot representing selected marker genes for each cell cluster, with colors indicating marker genes for each cell type; D.Bar plot showing the percentages of cells in different cell cycle stages; E.Testicular cell cycle proteins Cyclin A1, CDK2, Cyclin E1, CDK1, Cyclin B1 exhibited significantly decreased expression after exposure to low pressure and hypoxia; F.Results of protein quantification analysis; #P < 0.01, *P < 0.05
![]()
图 3 支持细胞亚群特征分析
A.通过拟时序轨迹分析图可视化支持细胞亚群轨迹分支；B.不同状态着色的支持细胞伪时间轨迹分析；C.不同细胞群着色的支持细胞拟时序轨迹分析；D.不同状态下的支持细胞数量；E.不同状态下支持细胞比例；F.不同状态的细胞成分分析；G.支持细胞种群中不同状态的代表性基因表达动态线条图；H.按拟时序轨迹分析时间线绘制来自不同支持细胞子集的差异表达基因热图
Figure 3. Supporting feature analysis of cellular subpopulations
A.Visualization of supportive cell subpopulation trajectory branches through pseudo-temporal trajectory analysis plots; B.Pseudo-temporal trajectory analysis of supportive cells colored by different states; C.Pseudo-temporal trajectory analysis of supportive cells colored by different cell groups; D.Number of supportive cells in different states; E.Proportion of supportive cells in different states; F.Analysis of cell composition in different states; G.Dynamic line plots of representative gene expression in different states within the supportive cell population; H.Heatmap of differentially expressed genes from different subsets of supportive cells plotted along a timeline according to pseudo-temporal trajectory analysis
![]()
图 4 支持细胞各亚群的GO和KEGG富集分析
A~D.亚群1~4 GO分析；E~H.亚群1~4 KEGG分析
Figure 4. GO and KEGG enrichment analysis of cellular subpopulations
A-D.GO analysis of subgroups 1-4; E-H.KEGG analysis of subgroups 1-4
![]()
图 5 低压低氧组支持细胞亚群SCENIC分析结果
Figure 5. The SCENIC analysis results of subpopulations in the low pressure low oxygen group
![]()
图 6 睾丸各细胞的细胞相互作用分析
A.配体-受体相互作用网络示意图；B.配体-受体相互作用气泡图示在不同细胞类型中表达强度和特异性(睾丸冰冻切片为免疫荧光染色，×100 μm)；C.支持细胞亚群细胞通讯热图；D.支持细胞亚群与各精子细胞之间的相互作用对气泡图
Figure 6. Cell-Cell interaction analysis of various testicular cells
A.Schematic diagram of ligand-receptor interaction network; B.Bubble plot of ligand-receptor interactions showing expression intensity and specificity in different cell types (testicular frozen sections immunofluorescently stained, scale=100 μm); C.Heatmap of cell communication within supportive cell subgroups; D.Bubble plot of interactions between supportive cell subgroups and various sperm cells
表 1 不同类型睾丸细胞占比[n(%)]
Table 1 Proportion of different types of testicular cells [n(%)]
细胞类型 对照组(n=22 505) 低压低氧组(n=26 522) 内皮细胞 144(0.64) 15(0.06) 长型精子细胞 4045(17.97) 1 0939(41.25) 成纤维细胞 629(2.79) 116(0.44) 间质细胞 40(0.18) 94(0.35) 巨噬细胞 357(1.59) 432(1.63) 管周肌样细胞 389(1.73) 1(0.00) 环形精子细胞 1288(5.72) 5739(21.64) 支持细胞 528(2.35) 586(2.21) 精母细胞 7710(34.26) 7044(26.56) 精原细胞 6927(30.78) 1251(4.72) T细胞和NK细胞 448(1.99) 305(1.55) 
下载: 导出CSV
-
[1] Bosco G, Paoli A, Rizzato A, et al. Body composition and endocrine adaptations to high-altitude trekking in the Himalayas[J]. Adv Exp Med Biol, 2019, 1211: 61-68.
[2] Alsup C, Lipman G S, Pomeranz D, et al. Interstitial pulmonary edema assessed by lung ultrasound on ascent to high altitude and slight association with acute mountain sickness: a prospective observational study[J]. High Alt Med Biol, 2019, 20(2): 150-156. DOI: 10.1089/ham.2018.0123
[3] Hofmann M C, Mcbeath E. Sertoli cell-germ cell interactions within the niche: paracrine and juxtacrine molecular communications[J]. Front Endocrinol (Lausanne), 2022, 13: 897062. DOI: 10.3389/fendo.2022.897062
[4] Chang D H, Kong F Y, Jiang W, et al. Effects of L-carni-tine administration on sperm and sex hormone levels in a male Wistar rat reproductive system injury model in a high-altitude hypobaric hypoxic environment[J]. Reprod Sci, 2023, 30(7): 2231-2247. DOI: 10.1007/s43032-022-00948-5
[5] Meroni S B, Galardo M N, Rindone G, et al. Molecular mechanisms and signaling pathways involved in Sertoli cell proliferation[J]. Front Endocrinol (Lausanne), 2019, 10: 224. DOI: 10.3389/fendo.2019.00224
[6] Peng Y J, Tang X T, Shu H S, et al. Sertoli cells are the source of stem cell factor for spermatogenesis[J]. Development, 2023, 150(6): dev200706. DOI: 10.1242/dev.200706
[7] Zhao Q Q, Sun X C, Zheng C, et al. The evolutionarily conserved hif-1/bnip3 pathway promotes mitophagy and mitochondrial fission in crustacean testes during hypoxia[J]. Am J Physiol Regul Integr Comp Physiol, 2023, 324(1): R128-R142. DOI: 10.1152/ajpregu.00212.2022
[8] Li X Y, Zhang M H, Chen Z W, et al. Male reproductive system and simulated high-altitude environment: preliminary results in rats[J]. Asian J Androl, 2023, 25(3): 426-432. DOI: 10.4103/aja202290
[9] He J, Cui J H, Wang R, et al. Exposure to hypoxia at high altitude (5380 m) for 1 year induces reversible effects on semen quality and serum reproductive hormone levels in young male adults[J]. High Alt Med Biol, 2015, 16(3): 216-222. DOI: 10.1089/ham.2014.1046
[10] Oyedokun P A, Akhigbe R E, Ajayi L O, et al. Impact of hypoxia on male reproductive functions[J]. Mol Cell Biochem, 2023, 478(4): 875-885. DOI: 10.1007/s11010-022-04559-1
[11] Zhang D C, Chen R, Cai Y H, et al. Hyperactive reactive oxygen species impair function of porcine Sertoli cells via suppression of surface protein ITGB1 and connexin-43[J]. Zool Res, 2020, 41(2): 203-207. DOI: 10.24272/j.issn.2095-8137.2020.024
[12] Van de Sande B, Flerin C, Davie K, et al. A scalable SCENIC workflow for single-cell gene regulatory network analysis[J]. Nat Protoc, 2020, 15(7): 2247-2276. DOI: 10.1038/s41596-020-0336-2
[13] Medina D L, Di Paola S, Peluso I, et al. Lysosomal calcium signalling regulates autophagy through calcineurin and TFEB[J]. Nat Cell Biol, 2015, 17(3): 288-299. DOI: 10.1038/ncb3114
[14] Shkreta L, Delannoy A, Salvetti A, et al. SRSF10: an atypical splicing regulator with critical roles in stress response, organ development, and viral replication[J]. RNA, 2021, 27(11): 1302-1317. DOI: 10.1261/rna.078879.121
[15] Liu W B, Lu X K, Zhao Z H, et al. SRSF10 is essential for progenitor spermatogonia expansion by regulating alternative splicing[J]. Elife, 2022, 11: e78211. DOI: 10.7554/eLife.78211
[16] Gerber J, Heinrich J, Brehm R. Blood-testis barrier and Sertoli cell function: lessons from SCCx43KO mice[J]. Reproduction, 2016, 151(2): R15-R27. DOI: 10.1530/REP-15-0366
[17] Meng X, Lindahl M, Hyvönen M E, et al. Regulation of cell fate decision of undifferentiated spermatogonia by GDNF[J]. Science, 2000, 287(5457): 1489-1493. DOI: 10.1126/science.287.5457.1489
[18] O'Donnell L, Smith L B, Rebourcet D. Sertoli cells as key drivers of testis function[J]. Semin Cell Dev Biol, 2022, 121: 2-9. DOI: 10.1016/j.semcdb.2021.06.016
[19] Yan R G, Yang Q L, Yang Q E. E4 transcription factor 1 (E4F1) regulates Sertoli cell proliferation and fertility in mice[J]. Animals (Basel), 2020, 10(9): 1691.
[20] Wang Y, Qiu B, Liu J, et al. Cocaine- and amphetamine-regulated transcript facilitates the neurite outgrowth in cortical neurons after oxygen and glucose deprivation through PTN-dependent pathway[J]. Neuroscience, 2014, 277: 103-110. DOI: 10.1016/j.neuroscience.2014.06.064
[21] Dong Z, Li C Y, Coates D. PTN-PTPRZ signalling is involved in deer antler stem cell regulation during tissue regeneration[J]. J Cell Physiol, 2021, 236(5): 3752-3769. DOI: 10.1002/jcp.30115
[22] Huang J C, Chen S C, Chang W A, et al. KITLG promotes glomerular endothelial cell injury in diabetic nephropathy by an autocrine effect[J]. Int J Mol Sci, 2022, 23(19): 11723. DOI: 10.3390/ijms231911723
[23] Cheng P, Chen H, Liu S R, et al. SNPs in KIT and KITLG genes may be associated with oligospermia in Chinese population[J]. Biomarkers, 2013, 18(8): 650-654. DOI: 10.3109/1354750X.2013.838307
-
期刊类型引用(6)
1. 王红英，张永刚，周丽君，张远，华军，张小伟. 基于儿科紧密型医联体构建区域新生儿聋病医防融合管理体系的理论与实践. 中国妇幼保健. 2024(03): 389-394 . 
百度学术
2. 方丽，徐超. 遗传性耳聋相关基因突变检测试剂的注册现状及临床试验设计的关注点. 中国医疗器械信息. 2024(03): 1-3+46 . 百度学术
3. 阮宇，文铖，程晓华，张伟，谢锦各，李悦，邓琳，黄丽辉. 142例GJB2双等位基因突变患儿基因型与听力表型的差异分析. 中国耳鼻咽喉头颈外科. 2024(09): 569-573 . 百度学术
4. 黄银花，钟微微. 新生儿耳聋基因筛查结果分析. 罕少疾病杂志. 2024(11): 31-33 . 百度学术
5. 谢晓媛，冯树人，刘慧坤，王蕾棽，刘霞. 妊娠期遗传性耳聋易感基因携带者扩展型筛查模式研究. 国际妇产科学杂志. 2023(05): 514-518 . 百度学术
6. 张亚勤，杨涵，龙丹丹，陈怡颖，王金凤，乔宇，戴欢欢，苏洪. 云南普洱地区799例新生儿GJB2基因突变分析. 现代医药卫生. 2023(23): 3991-3996 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 219
- HTML全文浏览量: 185
- PDF下载量: 38
- 被引次数: 9
