SINGLE-CELL ANALYSIS OF SOMATIC MUTATIONS IN HUMAN LUNG REVEALS ASSOCIATION WITH TRANSCRIPTIONAL CHANGES IN AGING
Notice bibliographique
Résumé
Abstract Age is a major risk factor for lung disease. Accumulation of somatic mutations has been implicated in both aging and cellular senescence. We analyzed somatic mutations called from single-cell RNAseq (scRNAseq) data. scRNAseq was performed on lung parenchyma samples from healthy donors (32 samples, 11-72 years, 21M/11F). Following standard pre-processing and cell type annotation, mutations were called using SComatic with the default parameters. Mutation burden was calculated for each cell type-sample combination by dividing the number of mutations by the number of callable sites. Our resulting scRNAseq dataset consisted of 199,400 cells, comprising 25 distinct cell types. Mutation burden was highest in alveolar type 1 (AT1) cells (93.6 mutations/MB), alveolar macrophages (79.1), and general capillary (gCap) cells (62.1). Mutation burden was positively correlated with age (r=0.28, p< 0.001). Globally, the top genes correlated with mutation burden included ubiquitin ligase genes (AMBRA1, ANAPC1, SEL1L, USP25, USP33) and DNA damage response genes (RAD50, PRKDC). Notably, mutation burden also correlated with expression of senescence marker CDKN2A (r=0.48, p< 0.05). In AT1 cells, mutation burden correlated with decreased expression of cell marker genes such as AGER (r=-0.64, p< 0.05) and HOPX (r=-0.83, p< 0.05). Similarly, gCap cells exhibited decreased expression of marker genes Il7R (r=-0.54) and VIPR1 (r=-0.64), while MAPK/ERK signaling genes were increased (p < 0.05). These genes were also significantly correlated with age in the same direction (p < 0.05). These results suggest that somatic mutation accumulation may contribute to age-associated transcriptional changes and loss of cell function, with cell types of the alveoli and endothelium experiencing the greatest effects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».