뇌 노화에서의 세포 근접 효과를 ‘공간 전사체 시계’로 밝혀내다
![[EzV] title](https://scienceeasyview.com/wp-content/uploads/2025/01/EzV-title.png)
Abstract
노화는 인지 기능 저하와 신경퇴행성 질환 위험 증가와 밀접한 관련이 있습니다. 뇌의 노화는 복잡하며, 여러 세포 수준의 변화가 동반됩니다. 그러나 노화된 세포가 인접한 세포에 미치는 영향과 이것이 조직 퇴화에 어떻게 기여하는지는 아직 명확히 밝혀지지 않았습니다. 나아가, 노화 조직에서 이 질문을 체계적으로 다룰 수 있는 도구 또한 아직 개발되지 않은 상태입니다.
이에 본 연구에서는 성인의 수명 전반에 걸쳐 20개의 연령대와 두 가지 회춘 기법(운동 및 부분적 세포 리프로그래밍)을 대상으로 연구를 수행했습니다. 그 결과, 420만 개의 세포의 조직 내 위치를 기반으로 한 단일 세포 전사체 뇌 지도를 생성했습니다. 이를 바탕으로, 공간 전사체 지도를 학습시킨 기계 학습 모델인 공간 노화 시계(spatial ageing clocks)를 구축하여 노화, 회춘, 및 질병에 대한 세포 위치의 특성과 세포 유형별 전사체 패턴을 분석했습니다. 이 과정에서 희귀 세포 유형에 대한 분석도 포함되었습니다.
공간 노화 시계와 딥러닝을 활용한 결과, 나이가 들수록 뇌에 점점 더 침투하는 T cell가 이웃 세포에 노화를 강력히 촉진한다는 사실을 발견했습니다. 반대로, 신경 줄기세포는 이웃 세포에 회춘을 유도한다는 점이 밝혀졌습니다. 또한, T cell의 노화 촉진 효과와 신경 줄기세포의 회춘 효과를 매개하는 잠재적 요인도 확인했습니다.
이번 연구는 희귀 세포 유형이 이웃 세포에 강력한 영향을 미칠 수 있으며, 이를 표적으로 삼아 조직 노화를 억제하거나 회춘을 유도할 가능성을 제시합니다. 또한, 공간 노화 시계는 세포 간 상호작용을 공간적 맥락에서 연구할 수 있는 유용한 도구로, 노화 및 질병에 대한 개입 효과를 평가하고 확장 가능하게 할 수 있을 것입니다.
Figures
Spatiotemporal atlas of brain ageing & Spatiotemporal gene expression changes
– Mouse brain의 생애 기간을 모두 활용한 single-cell spatial transcriptomics 지도 제작 및 세포 식별
– 노화에 따른 뇌 내 gene expression의 변화 확인
[Figure 1] 수명 전반에 걸친 뇌의 공간 해상 single-cell transcriptomic profiling
a. MERFISH를 사용하여 성체 mouse의 뇌에서 공간 전사체 데이터를 생성하는 실험 진행도.
b. (왼쪽) 전체 뇌 영역에 걸쳐 UMAP을 사용하여 세포 유형별로 색을 입힌 단일 세포 시각화 자료. (오른쪽) coronal & saggital 절단면의 공간 좌표를 기준으로 한 시각화 및 레이블링 예시.
c. 연령에 따른 세포 유형별 구성 변화로, 각 점은 개별 mouse를 나타냄. (붉은색: 유의한 증가 경향, 파란색: 유의한 감소 경향)
d. 모든 뇌 절단면과 연령을 기준으로 한 세포의 공간 좌표에 따른 분포. T cell(빨간색), 신경 줄기 세포(NSCs, 파란색) 및 다른 세포 유형(회색) 표시.
e. 뇌 절단면에서 연령에 따른 각 세포 유형의 발현 변화에 따른 유전자 수.
f. 뇌 절단면에서 공간적 유전자 발현 경로를 식별하는 clustering 접근 방식을 나타내는 도식.
g. 20가지의 연령에 걸쳐 각 유전자, 세포 유형, 하위 영역 조합에 대한 평균 유전자 발현 z-score.
h. 두 개의 선택된 유전자에 대해 다른 세포 유형과 하위 영역에서의 경로 클러스터 분포를 나타내는 heatmap.
i. 모든 뇌 절단면과 연령에 걸쳐 세포의 공간 좌표에 따른 분포로, Stat1(빨간색) 및 Gamt(파란색)의 로그 정규화 유전자 발현 값에 따라 세포가 색칠됨.
[Fig. 1b] 각 세포가 뇌 지도의 알맞은 공간에 배열된 것을 확인할 수 있었습니다. 예시) 흥분성 뉴런의 대뇌피질(CTX) 배치, oligodendrocyte의 백색질 배치
[Fig. 1c] 뇌의 노화에 따른 세포 종류의 변화가 전체적으로 어떻게 나타나는지를 설명합니다.
– 나이 들면서 증가하는 세포: 미세아교세포(microglia), 올리고덴드로사이트(oligodendrocytes), T cell
l Microglia, oligodendrocyte는 뇌에서의 면역 반응과 신경 보호 기능을 담당하며, 노화 과정에서 활성화되어 증가하는 경향을 보입니다.
l T cell는 면역 시스템에서 중요한 역할을 하며, 노화가 진행됨에 따라 뇌 전역에서 강하게 증가하는 패턴을 보입니다. 특히 T cell는 모든 샘플링된 지역에서 증가했으며, 높은 Pearson 상관계수 (r = 0.72, 95% CI: [0.40 – 0.88])을 보여 매우 강한 양의 상관관계를 보입니다.
– 나이 들면서 감소하는 세포: 올리고덴드로사이트 전구 세포(OPCs), 신경 줄기 세포(NSCs), 신경아교세포(neuroblasts)
l OPCs, NSCs, neuroblasts는 주로 신경 생성과 관련된 세포들이며, 이들의 비율은 나이가 들면서 감소하는 경향을 보였습니다.
l 특히 NSCs의 비율은 매우 강하게 감소하는 경향을 보였으며, 높은 절댓값의 Pearson 상관계수 (r = −0.93, 95% CI: [−0.97 – −0.82])를 통해 강한 음의 상관관계를 가집니다.
즉, 노화 과정을 통해 전반적으로 뇌의 면역 및 신경 보호와 관련된 세포는 증가하고, 신경 생성과 관련된 세포는 감소했습니다.
[Fig. 1d] T cell과 NSC의 변화를 보다 자세히 보여주며, 나이에 따라 뇌 단면에 분포된 양상을 보여줍니다.
– Fig. 1c의 결과에 맞는 결과로서, 노화에 따라 T cell은 증가하고 NSC는 감소했습니다.
– T cell은 뇌 전반에 걸쳐 분포한 반면, NSC는 뇌실 주변에 주로 분포합니다.
[Fig. 1e] 나이에 따른 유전자 변화 추적 결과, microglia에서 발현되는 유전자 변화가 가장 큰 것으로 나타났습니다.
– 최다 증가: Pdcd1 (microglia), H2-K1 (oligodendrocyte), C3 (ependymal), Pmch (T cell), H2-K1 (OPC)
l Pdcd1: PD-1 receptor encoding gene
– 최다 감소: Fcrls (microglia), Prox1 (oligodendrocyte), Rarres2 (ependymal), Sell (T cell), Bmp4 (OPC)
l Fcrls: Fc receptor-like module encoding gene
[Fig. 1f,g] 20개의 연령에서 각 유전자, 세포 유형 및 공간적 하위 영역의 조합에 대해 유전자 발현 경로(trajectories; 시간에 따른 유전자 발현 변화)를 clustering 했으며, 그 결과 유전자 변화의 대표적인 경향 9가지를 cluster로 식별했습니다.
[Fig. 1h] 특정 유전자에 대해 공간적 및 시간적 전사체 지문을 제공하며, 각 세부 영역과 세포 유형의 조합에 따른 시간적 발현 패턴을 보여줍니다.
– 인터페론 반응 유전자 Stat1과 Ifi27의 공간 및 시간에 따른 경향은 나이가 들면서 거의 모든 세포 유형과 세부 영역에서 각각 ‘늦게 증가하는‘ (어두운 빨간색) 및 ‘점진적으로 증가하는‘ (밝은 빨간색) 경향을 나타냅니다.
– 크레아틴 합성에 관여하는 유전자 Gamt의 공간적 및 시간적 경향은 나이가 들면서 ‘점진적으로 감소하는‘ (어두운 파란색) 경향을 넓게 보여줍니다.
[Fig. 1i] 각 brain section에서 나타나는 유전자 변화를 시각화한 자료입니다.
Spatial ageing clocks
– 개별 세포의 생물학적 연령을 측정하기 위해, 머신러닝 모델을 활용하여 공간 기반으로 정리된 각 세포의 gene expression data를 기반으로 mouse의 나이를 예측하는 모델 구축.
![[EzV] Fig2](https://scienceeasyview.com/wp-content/uploads/2025/01/EzV-Fig2-1024x864.png)
[Figure 2] 공간적 노화 시계 (Spatial ageing clocks)
a. ‘공간적 노화 시계’를 구축하고 이를 사용하여 조건 간 노화를 비교하거나 세포의 예상 생물학적 나이에서의 편차(나이 가속)를 정량화하는 파이프라인.
b. 실제 생물학적 나이에 따른 예측 나이를 보여주며, 각 mouse별 예측 나이의 중앙값과 예측 나이의 밀도 분포.
c. Spatial smoothing 없이 단일 세포 노화 시계(SingleCell)와 공간적 노화 시계(SpatialSmooth)의 성능을 비교한 도트 플롯.
d. 140개의 유전자 MERFISH 데이터셋에서 예측 나이의 밀도 분포.
e. 젊은 샘플 (<9개월) 및 노화 샘플 (>19개월)에서 예측 나이의 밀도 분포.
f. 공간적 노화 시계를 구축하는 데 사용된 훈련 데이터와 다양한 데이터셋에 대한 요약도.
[Fig. 2a] 공간적 노화 시계를 구축하는 방법을 설명합니다.
세포의 생물학적 나이를 예측하기 위해 기계 학습 모델을 사용해 훈련되었습니다. 각 세포의 위치를 기반으로 전처리된
유전자 발현 데이터를 통해 나이를 예측하는 것이 목적입니다. 해당 논문에서는 공간적 정보를 유지하기 위해 SpatialSmooth 기법을 개발했습니다.
– 세포 유형별 공간 graph 생성: 동일한 세포 유형의 인접 세포들 간에 그래프 구축.
– 유전자 발현 smoothing: 인접 세포 간 유전자 발현 값을 반복적으로 조정하여 보다 일관된 데이터를 생성하는 과정.
l X^(t+1)+1=αSX^t+(1-α) X^0
l 초기 유전자 발현 값(X^t, t = 보정 횟수)에 대해 인접 세포의 정보(S;인접 행렬)를 반영한 iteration 방식을 활용합니다. 해당 과정은 발현 값이 converge하거나 지정된 횟수(30회)만큼 반복된 후 종료됩니다.
– Model training: smoothing을 거친 데이터로 세포 유형별 노화 시계 모델 훈련.
[Fig. 2b] SpatialSmooth 방법을 사용한 공간적 노화 시계가 18개의 세포 유형 중 14개에서 높은 성능을 보였음을 나타냅니다. 특히 T세포, NSCs, 신경아교세포 등 드문 세포 유형에서도 원활히 작동하는 것을 보입니다.
[Fig. 2c] SpatialSmooth로 training된 공간적 노화 시계가 기존의 단일 세포 발현 데이터로 훈련된 노화 시계보다 성능이 뛰어났다는 결과를 보여줍니다.
[Fig. 2d] 외부 MERFISH 데이터셋에서 공간적 노화 시계가 유년, 중년, 노년을 잘 구분할 수 있었음을 보여줍니다. 기존 데이터셋과 비슷한 패턴을 보였으며, 일부 성능 저하는 유전자 겹침 부족과 세포 수 부족 등의 요인 때문으로 예상합니다.
[Fig. 2e] 공간적 노화 시계가 사제절단 뇌 영역에도 잘 일반화되어, 공간적으로 다른 영역을 포함하는 사제절단 샘플에서도 성능이 유지됩니다.
[Fig. 2f] 공간적 노화 시계가 여러 독립적인 마우스 코호트, 외부 데이터셋, 성별, 뇌 영역, 다른 단일 세포 전사체 데이터에서도 잘 일반화되며, 모든 평가된 외부 데이터셋에서 노화된 세포와 젊은 세포를 잘 구분합니다.
Spatial ageing clocks record rejuvenation & Spatial ageing clocks record disease
– 공간적 노화 시계가 다양한 세포 유형과 뇌 영역에서 ‘회춘 작용’ 및 ‘질병’의 효과를 평가할 수 있는지 여부를 조사.
![[EzV] Fig3](https://scienceeasyview.com/wp-content/uploads/2025/01/EzV-Fig3-1024x818.png)
[Figure 3] 세포 별 노화에 대한 회춘 전략, 염증 및 질병의 효과
a. 운동과 전신 부분 재프로그래밍을 젊어지게 하는 개입으로 설정한 실험 설계.
b, c. 운동 실험(b)과 전신 부분 재프로그래밍 실험(c)에서 세포 유형별 UMAP 시각화 및 대표적인 뇌 영역에 대한 공간 좌표.
d, e. 운동(d)과 전신 부분 재프로그래밍(e)으로 회춘한 세 가지 세포 유형에 대한 예측된 나이 밀도.
f, g. 운동(f)과 전신 부분 재프로그래밍(g) 개입에 따른 세포 유형과 뇌 영역의 예측된 나이 차이에 대한 heatmap.
h. LPS 주입에 의한 전신 염증 유발 및 알츠하이머 모델을 위한 공개된 공간 전사체 데이터셋의 집단도.
i, j. LPS 주입(i)과 알츠하이머 모델(j) 개입에 따른 세포 유형 및 뇌 영역의 예측된 나이 차이에 대한 heatmap.
[Fig. 3a] 운동과 부분적 재프로그래밍(OSKM; Yamanaka factors의 발현)을 회춘 요인으로 설정한 실험 설계가 제시되었습니다. 두 가지는 서로 다른 작용 방식(운동은 전신적, 재프로그래밍은 세포 내적)으로 세포와 뇌 영역에 영향을 미친다고 가정되었습니다.
[Fig. 3b] 운동 실험을 통해 얻어진 90만 개 이상의 세포가 18개의 세포 유형으로 clustering된 결과를 보여줍니다.
[Fig. 3c] 부분적 재프로그래밍 실험에서 100만 개 이상의 세포가 15개의 세포 유형으로 분류되었으며, 면역세포(T세포, B세포, 호중구)는 관찰되지 않았습니다. 이는 재프로그래밍 모델에서 뇌 내 면역세포 수가 감소했기 때문으로 보입니다.
[Fig. 3d, f] 운동 개입이 뇌 혈관 세포(endothelial cells, pericytes, VSMCs)에 강한 회춘 효과를 유도했으며, 이 효과는 뇌의 여러 영역에 걸쳐 나타났습니다. 신경모세포(neuroblasts) 또한 특정 뇌 영역(특히 corpus callosum 인근)에서 젊어짐을 보였습니다. 운동은 혈액순환 관련 인자와 신경 혈관 재생을 통해 강한 전신적 효과를 보였습니다.
[Fig. 3e, g] 부분적 재프로그래밍 개입이 신경 줄기 세포(NSCs)와 신경모세포(neuroblasts)에 젊어짐 효과를 유도했지만, 그 강도는 운동 개입보다 약했습니다. 특히 일부 세포(중형 가시 뉴런, 미세아교세포 등)에서는 오히려 나이를 가속화시키는 부정적인 영향을 미쳤음을 보여줍니다.
[Fig. 3h] LPS 주입(전신 염증 반응 유도)과 알츠하이머 병 mouse 모델을 사용해 뇌 손상의 영향을 분석한 실험 수행 과정입니다.
[Fig. 3i] LPS 주입이 별아교세포, 희소돌기교세포, 미세아교세포 등 여러 세포 유형에서 노화 가속 효과를 유발했음을 나타냅니다. 이러한 변화는 뇌의 여러 영역에서 관찰되었으며, 염증 반응이 주요 원인으로 보입니다.
[Fig. 3j] 알츠하이머 병 모델에서 미세아교세포, 뉴런, 뇌 혈관 세포 등 대부분의 세포 유형이 노화 가속 효과를 보였으며, 특히 미세아교세포에서 이러한 현상이 두드러졌음을 보여줍니다. 이는 알츠하이머 병과 연관된 미세아교세포의 활성화와 관련이 있습니다.
Cell proximity effects of brain ageing & Deep graph modelling of proximity effects
– 인접 세포에 의한 brain aging 효과를 조사하기 위해 공간적 노화 시계를 활용.
– T cell 및 NSC의 노화 효과를 in silico에서 측정하기 위해 GNN(Graph Neural Network) 방식 적용.
![[EzV] Fig4](https://scienceeasyview.com/wp-content/uploads/2025/01/EzV-Fig4-768x617.png)
[Figure 4] 세포 노화 및 회춘에서 인접 세포의 영향
a. 표적 세포와 가까운(near) 또는 먼(far) 위치에 있는 세포를 매칭하여, 작용 세포가 표적 세포의 나이 가속도에 미치는 근접 효과를 계산하는 절차를 보여줌.
b. 14개의 표적 세포 유형에 대해, 작용 세포와 표적 세포 간 근접 효과를 시각화한 heatmap.
c. 작용 세포가 모든 표적 세포 유형에 미치는 평균 근접 효과를 노화 촉진(pro-ageing)에서 회춘 촉진(pro-rejuvenating) 순으로 정렬한 그래프와 공간적 세포 재배치 후의 median 비교.
d. GNN 모델을 사용해 지역 세포 그래프에서 이웃 세포의 노화 패턴을 예측하고, 세포 유형을 가상으로 조작하는 실험 절차를 설명.
e. 특정 작용 세포를 다른 세포로 대체(loss of function)했을 때, 이웃 세포의 노화 패턴에 미치는 효과.
f. 다른 세포를 특정 작용 세포로 대체(gain of function)했을 때, 이웃 세포의 노화 패턴에 미치는 효과.
[Fig. 4a] 작용 세포(effector cell)가 표적 세포(target cell)의 나이 가속도(age acceleration)에 미치는 근접 효과를 계산하는 과정을 나타냅니다. 표적 세포와 가까운 세포와 먼 세포를 매칭하여 근접 효과를 정량화하는 방법이 제시되었습니다.
[Fig. 4b] 14개의 표적 세포 유형에 대해, 작용 세포가 표적 세포의 나이에 미치는 근접 효과를 시각화한 열 지도입니다. 특정 작용 세포가 어떤 세포 유형에 노화 촉진(pro-ageing) 또는 젊어짐(pro-rejuvenating) 효과를 미치는지 보여줍니다.
[Fig. 4c] 각 작용 세포 유형이 모든 표적 세포 유형에 미치는 평균 근접 효과를 노화 촉진에서 회춘 촉진 순으로 정렬한 그래프입니다. 즉, 해당 그래프에서 가장 높은 Average proximity effect를 가진 T cell은 인접한 세포들에 노화를 촉진하는 영향을 준다고 해석 가능합니다. 또한, 공간적 위치를 무작위로 재배치(permutation)했을 때 근접 효과가 사라짐을 통해 근접 효과가 세포 비율 변화와 같은 다른 요인으로 인한 것이 아님을 확인했습니다.
[Fig. 4d] GNN(Graph Neural Network) 모델을 활용해 특정 세포 유형의 가상 조작(perturbation)이 이웃 세포의 노화 패턴에 미치는 영향을 연구하는 실험 절차를 도식화했습니다.
[Fig. 4e] T cell, endothelial cell, NSC와 같은 작용 세포를 다른 세포 유형으로 대체했을 때(loss of function), 이웃 세포의 노화 패턴이 어떻게 변화하는지를 보여줍니다. Fig. 4c에서 본 바와 마찬가지로, T cell이 인접한 세포에 노화를 촉진함을 딥러닝 시뮬레이션 상에서도 확인할 수 있었습니다.
[Fig. 4f] 다른 세포 유형을 T cell, endothelial cell, NSC로 대체했을 때(gain of function), 이웃 세포의 노화 패턴이 어떻게 변화하는지를 보여줍니다.
T cell effect via interferon signalling
![[EzV] Fig5](https://scienceeasyview.com/wp-content/uploads/2025/01/EzV-Fig5-768x684.png)
[Figure 5] T cell 및 NSC의 인접 효과 아래에 있는 molecular pathway 기전
a. T cell와 가까운 세포에서 유의미하게 발현 증가한 유전자들에 대한 Gene Ontology (GO) biological processes (BP) 확인.
b,c: pro-ageing T cell에서 더 많이 발현된 GO BP의 특징 및 MERFISH 패널에 포함된 유전자들 (b), T 세포 근처와 먼 세포에서의 유전자 발현 차이를 나타낸 GO BP과 측정된 유전자들 (Bst2, Stat1) (c).
d. 28개월 된 수컷 생쥐의 뇌 단면에서 T cell(CD3+) 근처 세포에서 STAT1의 증가된 immunofluorescence image.
e. T cell 근처 세포와 먼 세포에서 STAT1 강도의 평균 비교.
f. NSC 근처 세포와 먼 세포에서 유의미하게 발현 증가한 GO BP들이 비교됨.
g,h: pro-rejuvenating NSC에서 더 많이 발현된 GO BP의 특징 및 MERFISH 패널에 포함된 유전자들 (Cd9, Vegfa) (g), NSC 근처와 먼 세포에서의 유전자 발현 차이를 나타낸 GO BP (h).
i,j: 3.5개월 된 수컷 생쥐의 뇌 단면에서 NSC(S100A6+) 근처 세포에서 CPT1A의 증가된 immunofluorescence image (i), NSC 근처 세포와 먼 세포에서 CPT1A 라벨링 차이를 보여주는 이미지 (j).
k. 3.5개월 된 수컷 생쥐에서 S100A6+ NSC와 S100A6- 비-NSC 세포의 CD9 강도 평균 비교.
l. NSC 근처와 먼 세포에서 CPT1A 강도의 평균 비교.
m. CPT1A 강도와 CD9 강도의 상관관계를 나타내는 산점도 및 밀도 등고선.
[Fig. 5a] 12,000개 이상의 유전자를 대상으로 한 차등 유전자 발현 분석 결과, T cell 근처의 세포에서 바이러스 면역 반응과 관련된 유전자들이 증가한 것으로 나타났습니다.
[Fig. 5b] pro-ageing 근접 효과가 큰 T cell에서 ‘type II interferon 생산의 증가’과 관련된 유전자 발현이 증가한 반면, pro-ageing 효과가 적은 T cell에서는 그와 같은 증가가 없었습니다.
[Fig. 5c] T cell 근처의 표적 세포에서 IFNγ 반응 유전자(Bst2, Stat1)의 발현이 증가한 것이 확인되었습니다. 또한, T cell 근처 세포에서는 ‘type II interferon에 대한 세포 반응’과 관련된 유전자 발현이 증가한 것으로 나타났습니다.
[Fig. 5d] 28개월 된 수컷 생쥐의 뇌 단면에서 T cell (CD3+) 근처 세포에서 STAT1의 immunofluorescence 강도가 유의미하게 높았습니다.
[Fig. 5e] T cell 근처와 먼 세포에서 STAT1 강도의 평균 비교 결과, T cell 근처 세포에서 STAT1 강도가 유의미하게 더 높았습니다.
[Fig. 5f] 12,000개 이상의 유전자를 대상으로 한 분석 결과, NSC 근처의 세포에서 내포된 경로와 지질 대사와 관련된 유전자들의 발현이 증가한 것으로 확인되었습니다.
[Fig. 5g] 프로-재생성 효과가 큰 NSC에서 ‘exocytosis’와 ‘exosomal secretion’과 관련된 유전자 서명이 증가했으며, exosome marker인 Cd9의 발현도 증가한 것으로 나타났습니다.
[Fig. 5h] NSC 근처 세포에서 cell import 및 endocytosis와 NADH metabolic process에 대한 유전자 서명의 발현이 증가한 것으로 확인되었습니다.
[Fig. 5i] 3.5개월 된 수컷 생쥐의 뇌 단면에서 NSC(S100A6+) 세포에서 CD9 마커의 발현이 다른 세포들보다 유의미하게 높았습니다.
[Fig. 5j] NSC 근처의 세포에서 CPT1A 강도가 NSC와 먼 세포보다 유의미하게 높았습니다.
[Fig. 5k] NSC에서 CD9의 발현과 근처 세포에서 CPT1A 강도가 양의 상관관계를 보였습니다.
[Fig. 5l] NSC 근처의 세포에서 CPT1A 강도가 NSC와 먼 세포에 비해 유의미하게 높았습니다.
[Fig. 5m] NSC 근처 세포에서 CPT1A 강도와 CD9 강도의 상관관계를 보여주는 산점도입니다.
Disscussion
해당 연구는 노화된 mouse 뇌의 고해상도 시공간 프로파일링을 제공하여, 다양한 지역과 세포 유형에서 노화 중 gene expression trajectory들을 추적할 수 있게 합니다. 이 연구에서는 해당 공간적 데이터셋을 사용하여 ‘공간적 노화 시계’를 생성하고, 다양한 재생 작용(운동 등) 또는 질병 모델의 효과를 정량화합니다. 공간적 노화 시계는 실험 개입이 노화 및 기타 시간적 과정에 미치는 영향을 공간적 및 단일 세포 해상도로 신속하게 평가하는 데 도움이 될 것입니다. 공간 노화 시계를 구축하고 세포 근접 효과를 모델링하기 위한 유연한 기계 학습 구조는 다른 조직과 종에도 적용될 수 있습니다. 노화 시계 예측의 인과성과 차원을 향상시키기 위한 새로운 통계 방법론이나 실험적 접근법의 개발은 이러한 모델의 사용 범위를 더욱 넓힐 수 있습니다.
연구진들은 해당 연구에서 공간적 노화 시계를 사용하여 세포 근접 효과를 정량화합니다. 더 큰 유전자 패널과 깊이 있는 이미징을 통한 공간 전사체학의 체계적인 프로파일링은 장거리 신경 돌기의 분할을 가능하게 하여, 일부 세포 유형, 특히 뉴런의 근접 효과에 대한 더 높은 해상도를 제공할 수 있을 것입니다. 세포 근접 효과를 매개하는 잠재적 경로를 식별하였지만, 세포 특이적인 판독값을 통한 더 깊이 있는 기능적 연구가 필요하여 작용 방식과 생물학적 효과에 대한 더 나은 이해를 제공할 수 있을 것입니다. 예를 들어, 다양한 유형의 T 세포는 뇌에 유익하거나 해로운 영향을 미칠 수 있으며, 특히 부상이나 질병에 반응하여 그 영향을 미칠 수 있습니다. 다양한 지역에서 이질적인 T 세포 집단의 근접 효과를 분리하는 것은 T 세포가 뇌의 노화에 미치는 영향을 더 잘 이해하는 데 도움이 될 것입니다. 마지막으로, 뇌에서 일부 신생 세포(NSC 및 신경아세포)가 이웃 세포에 미치는 재생성 효과가 어떻게 발현되는지, 세포 외 소포가 관련이 있는지, 그리고 이것이 줄기 세포를 포함하지 않는 다른 지역에서도 구현될 수 있는지 확인하는 것이 흥미로울 것입니다. 궁극적으로, 근접 효과와 그 매개 물질에 대한 보다 폭넓은 연구는 매우 중요하며, 노화 동안 뇌의 회복력을 개선할 수 있는 새로운 치료 전략을 개발하는 데 기여할 수 있을 것입니다.